UNIVERSIDAD CARLOS nI DE MADRID
DEPARTAMENTO DE ECONOMIA DE LA EMPRESA
TESIS DOCTORAL
V ALORACION y GESTION DE RIESGOS EN
MERCADOS ELECTRICOS LIBERALIZADOS
PABLO VILLAPLANA CONDE
DIRECTORES:
AL VARO ESCRIBANO SAEZ
JUAN IGNACIO PEÑA SÁNCHEZ DE RIVERA
MAYO 2003
TESIS DOCTORAL: "GESTiÓN DE RIESGOS Y VALORACiÓN DE DERIVADOS EN MERCADOS
ELÉCTRICOS LIBERALIZADOS"
Autor: Pablo Villaplana Conde, Departamento de Economía de la Empresa.
Directores: Prof. Álvaro Escribano Sáez y Prof. J. Ignacio Peña Sánchez de Rivera
Fecha de Defensa: 11 Julio 2003
RESUMEN:
Esta Tesis Doctoral analiza el comportamiento del precio de la electricidad en mercados
eléctricos liberalizados, así como el desarrollo de modelos de valoración de derivados eléctricos. El
cuerpo central de esta Tesis Doctoral está formado por tres artículos independientes. En el primer
capítulo, se presenta un modelo eco no métrico para las series de precios, que captura simultáneamente la
posible presencia de varios factores: estacionalidad, reversión a la media, heterocedasticidad (GARCH) y
saltos (dependientes en el tiempo). Posteriormente se propone un modelo para la valoración de contratos
de futuros eléctricos que incorpore la posibilidad de saltos. La modelización propuesta introduce la
posibilidad de saltos en una de las variables de estado y permite obtener fórmulas analíticas para el
precio de futuros. Los resultados del modelo muestran la importancia de la prima de riesgo por salto.
Finalmente, se propone un modelo de valoración de derivados donde las variables relevantes son la
demanda y la capacidad de generación (oferta). Se obtienen fórmulas analíticas de valoración y se
analizan los efectos de las variables de estado sobre el precio del contrato de futuro y sobre la prima de
riesgo.
CÓDIGOS UNESCO: 5311 02 (principal) 530202 531205
Area: Finanzas (Economía Financiera y Contabilidad)
Departamento de Economía de la Empresa
A mis padres, por todo
ANTES DE EMPEZAR, me gustaría aprovechar estas líneas para expresar mi gratitud a
una serie de personas que de una u otra forma me han ayudado y apoyado durante el
Doctorado.
En primer lugar, quiero agradecer a Álvaro y a Nacho su apoyo y su disponibilidad, así
como su paciencia y la confianza que han depositado en mí durante estos años. Ellos me
propusieron este tema, mostrándome desde el principio la confianza que habían depositado
en mí, y han tenido la paciencia de ir viendo como este proyecto tomaba forma, dándome
sus opiniones y argumentos, siempre positivos y acertados, que han ayudado a que
finalmente esta Tesis llegara a buen fin. Siempre recordaré las reuniones que hemos tenido
durante estos años con especial simpatía, pues siempre las he considerado muy fructíferas,
tanto para el desarrollo de aspectos concretos de la Tesis como para mi formación como
investigador.
Durante mi estancia en la Carlos III he podido conocer a muchos compañeros, en especial,
el grupo de "La Academia" ha ayudado a crear un ambiente muy agradable donde
desconectar del día a día; siempre recordaré estos años con especial cariño. De entre toda
la gente que he conocido también me gustaría agradecer a Amaia, Cristina, Rosa, Paco y
Roberto su amistad y su apoyo continuo durante estos años. Una mención especial
requieren aquellos "afortunados" que han estado desde el principio, y día tras día
aguantándome. Belén, María José, Ricardo y Jose: siempre os estaré agradecido por haber
podido disfrutar de vuestra amistad y por haber tenido la paciencia suficiente para
aguantarme todos estos años, tengo que reconocer que no ha sido poca ... de todas formas,
no creáis que os vais a poder librar de mí tan fácilmente.
También quiero agradecer a Isabel Gutiérrez y Alejandro Balbás, como directores del
Departamento, el apoyo que he recibido. Aunque siempre existen posibles mejoras, creo
que las condiciones económicas, materiales y de obligaciones docentes, así como el
ambiente de trabajo que han ayudado a crear en el Departamento de Economía de la
Empresa, permiten al doctorando centrarse en el desarrollo de su Tesis Doctoral con
tranquilidad y garantías. Me llevo un recuerdo muy grato de mi paso por este
Departamento. Me gustaría agradecer a las secretarias del Departamento, Begoña y Raquel,
la paciencia que han tenido conmigo para resolver todas mis dudas de papeleo. También
quería agradecer a Mikel su apoyo y su disponibilidad durante este tiempo, al final incluso
voy a echar de menos tus recomendaciones musicales y tus "arengas".
Quisiera agradecer el apoyo económico recibido por parte de la Fundación Carlos ¡JI y
muy especialmente el recibido por parte del Laboratorio de Economía de la Energía.
También quería aprovechar para agradecer a Craig Pirrong, Vicente Meneu, Ángel León,
Antonio Rubia y Miguel Artola, su disponibilidad y su tiempo, tanto para comentarme
aspectos relacionados con la Tesis, como para ayudarme con la búsqueda de datos etc ...
Finalmente, no puedo olvidarme de las tres personas a las que siempre agradeceré que
estén a mi lado: mis padres, Antonio y Chelo, y Begoña. Creo que va a ser imposible
enumerar todo 10 que les debo a mis padres. Simplemente, siempre están ahí para lo que
haga falta.
Bego, ahora ya sólo nos queda por delante tu Tesis y afrontar juntos todo 10 que nos depare
la vida.
, Indice
Capítulo 1: Introducción ............................................................................................. 1
Capítulo 2: Modelización del Precio de la Electricidad:
Evidencia Internacional ............................................................................................ 15
2.1 Introducción .................................................................................................. 15
2.2 Comportamiento del Precio de la Electricidad ............................................. 18
2.2.1 ¿Porqué los Precios de la Electricidad son tan Volátiles? ................ 18
2.2.2 Características del Precio de la Electricidad ..................................... 19
a. Estacionalidad
b. Reversión a la Media
c. Saltos y Volatilidad
2.3 Especificación del Modelo y Estimación ..................................................... 25
2.4 Datos y Análisis Descriptivo ........................................................................ 31
2.4.1 Datos ................................................................................................. 31
2.4.2 Estadísticos Descriptivos .................................................................. 31
2.5 Resultados ..................................................................................................... 33
2.6 Tests de Raíces Unitarias .............................................................................. 41
2.6.1 Test Estándar de Raíz Unitaria ......................................................... 43
2.6.2 Test de Raíz Unitaria en Presencia de Errores GARCH(1,1) ........... 45
2.6.3 Test de Raíz Unitaria en Presencia de "Outliers" ............................ .47
2.6.4 Procedimientos de Análisis de Raíz Unitaria en Presencia de
"Outliers" y Errores GARCH(1, 1) ............................................................ 49
2.7 Conclusiones y Posibles Extensiones ........................................................... 53
Apéndice 2.A: Estadística Descriptiva y Gráficos ............................................. 57
Apéndice 2.B: Modelos y Resultados de la Estimación ..................................... 64
Referencias ......................................................................................................... 81
Capítulo 3: Valoración de Derivados Eléctricos: una Aproximación
Bifactorial con Saltos ................................................................................................. 87
3.1 Introducción .................................................................................................. 87
3.2 Resultados Matemáticos Preliminares .......................................................... 93
3.3 Especificación Variables de Estado bajo Probabilidad Empírica ................. 98
3.4 Procesos Riesgo Neutros y Valoración ...................................................... 104
3.5 Aplicación Empírica Mercado PJM: Datos "Spot" y "Forward" ............... 113
3.5.1 Procedimiento de Estimación y Resultados ................................... 115
3.6 Conclusiones y Posibles Extensiones ......................................................... 120
Apéndice 3.1: Relación entre Fórmulas de Valoración y Transformadas ........ 123
Apéndice 3.2: Derivación detallada Fórmulas de Valoración .......................... 125
Apéndice 3.3: Estadísticas Resumen y Gráficos .............................................. 143
Apéndice 3.4: Resultados de la Estimación. Mercado PJM ............................. 146
Referencias ....................................................................................................... 151
Capítulo 4: Valoración de Contratos de Futuros sobre Electricidad: el Papel
de la Demanda y la Capacidad ............................................................................... 155
4.1 Introducción ................................................................................................ 155
4.2 Modelos de Valoración de Derivados Eléctricos ....................................... 156
4.3 Demanda y Capacidad de Generación ........................................................ 164
4.3.1 Demanda ......................................................................................... 164
4.3.2 Capacidad de Generación ............................................................... 173
4.4 Modelo y Relación entre Precio y Variables de Estado ............................. 176
4.5 Valoración Contratos de Futuros ................................................................ 185
4.6 Conclusiones ............................................................................................... 188
Apéndice 4 ........................................................................................................ 190
Referencias ....................................................................................................... 199
Capítulo 5: Extensiones y Posibles Líneas de Investigación Futuras ................. 203
Capítulo 1
Capítulo 1:
Introducción
Esta Tesis Doctoral "Gestión de Riesgos y Valoración de Derivados en
Mercados Eléctricos Liberalizados" toma como punto de partida el proceso de
desregulación (ó liberalización) del sector eléctrico. Aunque el punto de partida puede
parecer más común en el área de Economía Industrial, esta Tesis Doctoral se centra en
las consecuencias que tiene el proceso de liberalización sobre la toma de decisiones de
carácter financiero de los agentes participantes en el mercado eléctrico. El punto de
partida por tanto, responde a un cambio real en las condiciones de mercado de un
determinado sector. La desregulación del sector eléctrico es una tendencia creciente en
países de todo el mundo, este proceso ha generado muchos análisis y discusiones de tipo
económico. En esta Tesis Doctoral estamos especialmente interesados en la
modelización del precio de la electricidad, la gestión de riesgos y la valoración de
derivados. El objetivo de esta Tesis es desarrollar y aplicar metodologías del área. de la
Economía Financiera para analizar estos problemas. Aunque nos centramos en el.)
análisis del sector eléctrico, consideramos que los modelos propuestos y resultados
obtenidos son de utilidad para el análisis de otros problemas del área de la Economía
Financiera.
1
Introducción
En este Capítulo presentamos de brevemente las características principales del
sector eléctrico y las consecuencias del proceso de liberalización (o desregu1ación). No
es nuestro objetivo entrar en demasiados detalles y por tanto, en este Capítulo iremos
dando referencias donde se abordan con mayor profundidad algunos aspectos que aquí
se comentan de forma sucinta. En este Capítulo 1 también presentamos un resumen de
los análisis y contribuciones principales que se obtienen en los Capítulos 2, 3 Y 4, que
forman la parte fundamental de esta Tesis Doctoral.
El sector eléctrico ha sido tradicionalmente una industria integrada verticalmente
compuesta por los sectores de generación, transmisión y distribución. Sin embargo este
panorama ha cambiado notablemente desde mediados de los 90 en diversos países l de
todo el mundo.
Se puede considerar que la industria eléctrica está compuesta por tres sectores (ó
actividades) diferenciados: generación de electricidad, transmisión y distribución2,3. Una
vez la electricidad es generada4, se envía a través de líneas de transmisión de alto voltaje
a aquellas áreas donde la electricidad será consumida. Una vez la electricidad llega a la
zona donde será consumida se transforma a bajo voltaje y se envía a través de líneas de
distribución locales a los consumidores finales.
t Para una revisión de los procesos de liberalización y sus consecuencias sobre el desarrollo de mercados financieros puede consultarse Millán (1999) y Meneu et al. (2001). Estos dos libros son una excelente referencia como introducción al proceso de desregulación del sector eléctrico y sus consecuencias "financieras", así como para obtener una panorámica de las diferentes experiencias internacionales. Para un análisis específico sobre el mercado español puede consultarse Fabra y Toro (2001), León y Rubia (2001) y Rubia (2001). 2 En algunas ocasiones y dentro de un contexto de mercado desregulado (y sin centrarnos en lá defmición legal de ningún mercado concreto) utilizaremos los términos distribución y comercialización como sinónimos. 3 La generación consiste en la producción de electricidad. La transmisión supone el transporte de la energía producida a través de redes de alta tensión. La distribución supone el transporte a través de redes de mediana y baja potencia. La comercialización consiste en el suministro a los consumidores finales. En el caso español, los distribuidores son los encargados de suministrar electricidad a los consumidores sujetos a tarifa mientras que los comercializadores suministran a los consumidores cualificados. 4 Existen diferentes tecnologías para la generación de electricidad: a través de la combustión de combustibles fósiles, mediante el uso de la energía hidráulica, nuclear, eólica ó solar.
2
Capítulo 1
Con anterioridad al proceso de desregulación, estas tres actividades relacionadas
estaban nonnalmente, integradas en una misma compañía. Estas actividades eran
consideradas propias de un monopolio natural, donde la integración vertical de las
empresas era el modelo económico más lógico para las empresas del sector. En este
marco, las autoridades fijaban los precios basándose en los costes de producción, de
fonna que el riesgo de precio era inexistente. Sin embargo, la aparición de avances
tecnológicos mostró que no todas las actividades del sector eléctrico debían ser
consideradas como monopolios naturales. A modo de ej emplo, el desarrollo de
tecnologías de generación de electricidad, como la generación mediante ciclos
combinados, ha pennitido la construcción de plantas generadores de tamaño pequeño y
medio, es decir, la escala óptima de las plantas generadoras ha disminuido; la mejora en
las telecomunicaciones pennite al operador del sistema eléctrico controlar la
infonnación a tiempo real de la evolución de demanda y oferta, y por tanto pennite una
mayor interconexión de compañías y la competencia entre ellas; mejoras tecnológicas
también han pennitido una reducción en las pérdidas que ocurren durante la transmisión
y pennite que plantas alejadas entre ellas puedan competir. Estos cambios han pennitido
refonnar el sector eléctrico y transfonnarlo desde un sector verticalmente integrado
hacia una industria que se rige por principios competitivos. Sobre los cambios y
limitaciones del proceso de reestructuración del sector eléctrico, ver Borenstein (2000) y
Borenstein y Bushnell (2000).
Una de las características primordiales de la electricidad es que no es almacenable. Por
tanto, no se puede recurrir a los stocks para suavizar la fluctuaciones imprevistas de
oferta o demanda (shocks de oferta y demanda no pueden suavizarse mediante
inventarios) y como consecuencia el precio spot de la electricidad es muy volátil.
3
Introducción
A su vez, oferta y demanda agregada han de estar equilibradas en todo momento para
evitar el colapso de la red eléctrica. Otros elementos característicos de la electricidad
como mercancía es que tanto la demanda como la oferta son inelásticas y que pueden
existir restricciones en la producción y transmisión de la electricidad. Las posibilidades
de restricciones en la transmisión suponen que electricidad en dos puntos geográficos
diferentes puedan ser consideradas dos mercancías diferentes. A su vez la no
almacenabilidad de la electricidad supone que electricidad en dos puntos diferentes en el
tiempo también puedan ser consideradas dos mercancías diferentes. Por tanto, en el
proceso de liberalización del sector eléctrico, la electricidad pasa a convertirse en otra
"commodity" .
Aunque el proceso de desregulación varía entre países hay un patrón general en todos
ellos. El proceso de liberalización supone entre otros aspectos:
l. La desintegración vertical de las compañías eléctricas.
2. La separación de las actividades que requiere la producción y entrega de la
electricidad: generación, transmisión, distribución y comercialización.
3. La creación de un mercado de electricidad ("pool").
4. El desarrollo de aspectos legales e institucionales que permitan el acceso a la
red de transmisión y que provean mecanismos de coordinación.
El punto más importante para nosotros es la creación de un mercado de electricidad, y
que por tanto, introduce elementos de competencia, como institución básica mediante la
cual se establece el precio de electricidad .(precio de equilibrio). Es este precio el que
genera la incertidumbre y el riesgo económico en el sector. Por tanto, el proceso de
desregulación implica que de forma inevitable, los agentes del sector se vean expuestos
al riesgo de mercado. A modo de ejemplo el generador que vende su electricidad en el
4
Capítulo 1
pool sufre el riesgo de falta de correspondencia entre sus costes y el precio de venta al
pool. A su vez, aquellos generadores que no vendan toda su electricidad al "pool"
porque tiene contratos bilaterales a precio fijo, están sujetos al riesgo de incrementos de
precios en el pool, por encima del precio fijo de sus contratos bilaterales. Obviamente
distribuidores y comercializadores están sujetos al riesgo de precio ya que compran a un
precio volátil y venden a un precio fijo. Los clientes industriales que compran
directamente en el mercado mayorista se encuentran en la misma situación, de riesgo de
incremento de precios. Por tanto, claramente todos los agentes participantes en
mercados eléctricos desregulados se tienen que enfrentar al riesgo de precios.
La negociación de la electricidad ("trading"), realización de análisis, cuantificación y
gestión del riesgo, la valoración de contratos financieros y activos reales así como la
decisión de financiación de nuevas inversiones, todas ellas son aétividades que
requieren un análisis profundo de la evolución del precio y la elaboración de modelos de
valoración. Por tanto, bajo el nuevo marco normativo, las empresas participantes en el
mercado están interesadas en gestionar el riesgo generado por la volatilidad del precio.
La gestión de este riesgo puede realizarse a través de contratos financieros (derivados)
que tienen como subyacente el precio de la electricidad, y que no representan obligación
de entrega física de electricidad. La desregulación por tanto, ha introducido nuevos
elementos de incertidumbre en el sector y como consecuencia conceptos usuales en los
mercados financieros como la gestión del riesgo, la valoración de contratos derivados,
ó la realización de operaciones de cobertu!,a están siendo introducidos en la industria
eléctrica (y energética en general). De hecho, en aquellos mercados eléctricos
liberalizados con más experiencia, existen mercados de futuros y opciones (por ejemplo
s Claramente existen otros riesgos a los que los agentes deben enfrentarse. La existencia de riesgo de precio, ó riesgo de mercado en general, estará relacionado por ejemplo con la aparición de riesgo de crédito. Para un análisis sobre riesgo de mercado y de crédito y su interrelación ver Peña (2002).
5
Introducción
contratos de futuros se negocian en diferentes mercados como el "Sydney Futures
Exchange", "New Zealand Futures and Options Exchange", "Eltennin" (Escandinavia),
NYMEX y otros). Para un análisis detallado sobre el proceso de liberalización y el
desarrollo de mercados de futuros, puede consultarse Millán (1999) y Meneu et al.
(2001).
Resumiendo, el punto de partida de esta Tesis Doctoral es la liberalización del
sector eléctrico o Este proceso de liberalización supone, entre otros aspectos, la creación
de un mercado de electricidad ("pool") . El precio de equilibrio resultante en este
mercado es la principal variable generadora de incertidumbre y riesgo para los
participantes de este mercado. A 10 largo de esta Tesis Doctoral nos centramos en la
modelización de las series de precios de mercados "spot", así como en la valoración de
contratos derivados donde el subyacente es este precio de electricidad.
Consideramos que un primer paso necesario es comprender y ser capaces de modelizar
la evolución de la variable que genera el riesgo en el sector (riesgo de mercado).
Concretamente en el Capítulo 2 ("Modelización del Precio de la Electricidad:
Evidencia Internacional') analizamos las características de las series de precio de la
electricidad en mercados liberalizados. En ése capítulo, presentamos un modelo general
que captura simultáneamente la posible existencia de varios factores: estacionalidad,
reversión a la media, comportamiento GARCH y saltos (con intensidad no constante).
Aplicamos el modelo a las series de precios de mercados eléctricos de Argentina,
Australia (Victoria), Nueva Zelanda (Hayvvard), Escandinavia (Nord Pool), España y
EEUU (P 1M), mediante datos diarioso Estimamos seis modelos diferentes anidados y
comparamos la importancia relativa de cada factor y sus interacciones. Los resultados
nos penniten concluir que los precios de la electricidad tienen reversión a la media con
6
Capítulo 1
un fuerte componente de volatilidad (GARCH) y saltos con intensidad no constante, aún
después de controlar por la posibilidad de estacionalidad (en el nivel de la serie).
Aunque el comportamiento GARCH(1, 1) es un factor importante en general, la
inclusión de GARCH y saltos es necesario (excepto para el caso español) para obtener
resultados convincentes. En las estimaciones del modelo con componente GARCH pero
sin componente de salto obtenemos que el proceso de volatilidad es integrado, de forma
que obtenemos un proceso de volatilidad explosivo. A su vez, en los modelos con
componente de saltos pero sin componente GARCH los resultados de la estimación
muestran una probabilidad de salto excesivamente alta. Ambos problemas se resuelven
con los modelos que incorporan tanto un componente de volatilidad estocástica
(GARCH) como la posibilidad de saltos. Los test de Ratio de Verosimilitudes también
muestran la necesidad de incorporar estos dos componentes. También proponemos un
modelo con componente GARCH y con saltos donde el proceso de intensidad
(probabilidad de ocurrencia de salto) es no constante. Aunque la especificación utilizada
para el proceso de intensidad es sencilla, el modelo es capaz de capturar la existencia de
estacionalidad en la probabilidad de salto (por ejemplo para el mercado PJM).
Es decir nuestros resultados muestran que el componente de salto y el proceso GARCH
son elementos complementarios en vez de ser factores sustitutivos en un modelo para
precios de electricidad. Hasta donde nosotros conocemos no existe ningún trabajo en la
literatura que incorpore ambos componentes (GARCH y saltos), así el modelo géneral
que proponemos extiende los trabajos de D.uffie et al. (1998), Johnson y Barz (1999) y
Knittel y Roberts (2001).
En el Capítulo 2 también presentamos un análisis detallado sobre la posible presencia de
raíces unitarias. Aplicamos a las series de precios una batería de test de raíces unitarias:
7
Introducción
el test de Dickey-Fuller aumentado (ADF), el test propuesto por Boswijk (2000) que
tiene en cuenta la presencia de componente GARCH y el test propuesto por Arranz et al.
(2000) que tiene en cuenta la posible presencia de "outliers" aditivos. Dado que hemos
observado en las series de precios la presencia de saltos y errores GARCH,
proponemos un método nuevo basado en técnicas de remuestreo ("bootstrap") que
captura la posible presencia de ambos componentes. El nuevo procedimiento propuesto
en este trabajo permite concluir que en los seis mercados analizados (utilizando datos
diarios), los precios spot de equilibrio de la electricidad muestran reversión a la media.
Resumiendo, en el Capítulo 2 hemos propuesto un modelo que captura la posibilidad de
presencia simultánea de volatilidad estocástica (GARCH) y saltos (con posibilidad de
intensidad no constante). Hemos estimado el modelo para un conjunto de mercados
liberalizados, y los resultados obtenidos nos permiten concluir que los precios de la
electricidad son estacionales, que tienen reversión a la media con un fuerte componente
de volatilidad (GARCH) y saltos (en algunos casos con intensidad no constante).
En el Capítulo 3 ("Valoración de Derivados Eléctricos: una Aproximación
Bifaetorial eOIl Saltos"), proponemos un conjunto de modelos de dos factores que
incorpora la posibilidad de saltos y estacionalidad, para la valoración de futuros sobre
la electricidad. El modelo que proponemos es una extensión del modelo de corto plazo
/ largo plazo de Schwartz y Smith (2000) y Lucía y Schwartz (2002). Una de nuestras
principales contribuciones es la inclusión de un componente que incorpore saltos, con
un proceso de intensidad no constante (probabilidad de ocurrencia de saltos), en el
factor de corto plazo. También permitimos que el proceso de largo plazo tenga reversión
a la media. Modelizamos el comportamiento estocástico de las variables (no
observables) subyacente mediante procesos de difusión afines y procesos de difusión
8
Capítulo 1
afines con saltos. Con esta estrategia de modelización podemos utilizar los resultados
obtenidos por Duffie, Pan y Singleton (2000). De esta forma obtenemos fórmulas
cerradas para el precio de contratos de futuros. Dada la conexión entre la fórmula para
el precio del contrato de futuros y la fórmula de la función característica del precio,
también obtenemos en forma cerrada la fórmula para esta última. Esto nos permitiría
calcular el precio de otro tipo de derivados (opciones) mediante la inversión de la
función característica.
Realizamos un análisis empírico del modelo con datos de contratos de futuros del
mercado americano de Pennsylvania - New Jersey - Maryland (PJM) y presentamos
una metodología sencilla para extraer parámetros riesgo-neutros a partir de los datos de
contratos de futuros. En el análisis empírico obtenemos que la prima de riesgo por salto
('jump risk premium") es uno de los principales determinantes de la prima de riesgo en
el mercado PJM, y capturamos su marcado carácter estacional. Concretamente hemos
mostrado como la prima de riesgo por salto representa el 40% de precio de los contratos
"forward" con vencimiento en los meses de verano.
El modelo propuesto también permite incorporar pnma de nesgo ("difusiva") no
constante ("time-varying diffusive risk premium"). Esta alternativa puede ser
interesante a la hora de analizar si los movimientos extremos de los precios de los
contratos "forward" se deben a la sobreestimación de la persistencia de los "shocks" del
mercado "spot" por parte de los agentes participantes en un mercado nuevo e inmaduro
(tal y como sostienen Pirrong y Jermakyan (2000» ó se debe a prima de riesgo no
constante. Nuestro modelo es suficientemente flexible como para poder incorporar esta
posibilidad. Nuestros resultados también complementan y extienden los obtenidos por
Bessembinder y Lemmon (2002) al presentar una metodología para calcular la prima de
9
Introducción
riesgo por salto y relacionar la prima de riesgo por salto con la prima de riesgo por
asimetría apuntada por Bessembinder y Lemmon (2002), como uno de los principales
componentes de la prima de riesgo en mercados eléctricos.
En el Capítulo 4 ("Valoración de Contratos de Futuros: el Papel de la
Demanda y la Capacidad") proponemos un modelo bifactorial para la valoración de
contratos derivados eléctricos. En este capítulo, consideramos como variables de estado
la demanda y la capacidad de generación y modelizamos el precio "spot" como una
función convexa de estas dos variables. Modelizamos la variable de demanda y
capacidad mediante procesos afines con saltos. Aunque existen varios trabajos en la
literatura que consideran la introducción de una variable de oferta ("capacidad efectiva
de generación") como un elemento importante para entender la evolución de los precios
spot y de los precios de los contratos de futuros, en la gran mayoría de los casos Se
acaba imponiendo el supuesto de que la capacidad de generación es constante, ver por
ejemplo Barlow (2002), Bessembinder y Lemmon (2002) y Longstaff y Wang (2002)
entre otros. El objetivo de este Capítulo es proponer un marco teórico que permita
incorporar la "capacidad efectiva de generación" como una variable aleatoria. A su vez
también queremos analizar dentro de este marco el efecto que cambios en la variable de
demanda tienen sobre los contratos de derivados, especialmente contratos de futuros.
En este Capítulo obtenemos en forma analítica la fórmula de valoración para contratos
de futuros. Al igual que en el Capítulo 3, obtenemos en forma analítica la función
característica y por tanto, el modelo propuesto podría extenderse para la valoración
opciones. Dado que en este modelo el logaritmo del precio spot es una función afín de
las variables de estado (oferta y demanda) y dado que estas variables de estado son
modelizadas mediante procesos afines con saltos utilizamos los resultados presentados
10
Capítulo 1
en Duffie et al. (2000) para obtener nuestros resultados. Al obtener la fónnula de
valoración en fonna analítica podemos analizar, de fonna sencilla, los efectos que
cambios en demanda y en capacidad tienen sobre las fluctuaciones de los precios de los
contratos de futuros. En concreto comprobamos como, la compensación requerida por
los agentes (precio de mercado del riesgo de demanda y capacidad), la estacionalidad (y
el nivel) de la volatilidad de la demanda y el grado de convexidad en la relación entre
precio, demanda y oferta (sensibilidad del precio a cambios en las condiciones de
demanda y oferta), son componentes detenninantes de la prima de riesgo "forward".
Diferencias en el comportamiento de la prima de riesgo a 10 largo del tiempo en un
mismo mercado ó diferencias en el comportamiento de esta prima entre mercados
vendrán detenninadas por estos componentes.
Finalmente hemos introducido un último capítulo, Capítulo 5, ("Extensiones y
Líneas de Investigación Futuras"). En este Capítulo recapitulamos parte de las
metodologías y conclusiones que se han ido presentando en el resto de capítulos y
exponemos las que a nuestro entender son extensiones interesantes que pueden llevarse
a cabo en el futuro.
11
Introducción
REFERENCIAS
Arranz, M. A., A. Escribano y F. Mánnol (2000), "Effects of Applying Linear and
Nonlinear Filters on Tests for Unit Roots with Additive Outliers", Working Paper
00-86, Universidad Carlos IlI.
Barlow, (2002), "A diffusion model for electricity prices", Mathematical Finance, 12,
pp. 287-298.
Bessembinder, H. Y M.L. Lemmon (2002), "Equilibrium Pricing and Optimal Hedging
in Electricity Forward Markets", Journal of Finance 57, 1347-82.
Borenstein, S. (2000), "Understanding Competitive Pricing and Market Power m
Wholesale Electricity Markets", The Electricity Journal, July, 49-57.
Borenstein S. y J. Bushnell (2000), "Electricity Restructuring: Deregulation or
Reregulation?", University of California Energy Institute, POWER WP-074
Boswijk, P.H. (2000), "Testing for a Unit Root with Near-Integrated Volatility",
unpublished manuscript, Department of Quantitative Economics, Universiteit van
Amsterdam.
Duffie, D., S. Gray y P. Hoang (1998), "Volatility in Energy Prices", Managing Energy
Price Risk, RiskPublications, Second Edition.
Duffie, D., J. Pan y K. Singleton (2000), "Transfonn Analysis and Asset Pricing for
Affine Jump-Diffusions", Econometrica, voL 68(6), 1343-1376.
Fabra, N. y J. Toro (2001), "Price Wars and Collusion in the Spanish Electricíty Spot
Market", working paper, IDEI.
Johnson, B. y G. Barz (1999), "Selecting Stochastic Process for Modelling Electricity
Prices", Energy Modelling and the Management ofUncertainty, RiskPublications.
Knittel, C. R. y M. Roberts (2001), "An Empirical Examination of Deregulated
Electricity Prices", POWER WP-087, University of California Energy Institute.
12
Capítulo 1
León, A. Y A. Rubia (2001), "Comportamiento del Precio y Volatilidad en el Pool
Eléctrico Español", Instituto Valenciano de Investigaciones Económicas (IVIE) ,
WP-2001-04.
Longstaff, F.A. y A.W. Wang (2002), "Electricity Forward Prices: a High-Frequency
Empirica! Analysis", working paper 10-02, UCLA.
Lucía, l y E. Schwartz (2002), "Electricity Prices and Power Derivatives: Evidence
from Nordic Power Exchange", Review of Derivatives Research, vol. 5 (1), 5-50.
Meneu, V., R. de Benito, M.D. Furió y 1.M. Palanca (2001), El Mercado Eléctrico en
Escandinavia, Estados Unidos y Reino Unido, Fundación Generalitat Valenciana
lb erdro la.
Millán R. (1999), Los Mercados de Futuros de Electricidad, Ed. Civitas.
Peña, lI. (2002), La Gestión de Riesgos Financieros de Mercado y de Crédito,
Prentice-Hall
Rubia, A. (2001), Comportamiento del Precio y Volatilidad de los Mercados "Spot" de
Electricidad, Tesis Doctoral, Universidad de Alicante.
Schwartz, E. Y 1.E. Smith (2000), "Short-term Variations and Long-term Dynamics in
Commodity Prices", Management Science, 46 (7), 893-911.
13
Introducción
14
Capítulo 2
Capítulo 2:
Modelización del Precio de la Electricidad:
Evidencia Internacional
2.1. INTRODUCCIÓN
Hasta principios de la década de los 90 el sector eléctrico ha sido una industria
integrada verticalmente, donde los reguladores fijaban precios en función de los costes
de generación, transmisión y distribución y por tanto existía poca incertidumbre en los
precios. En los últimos años los mercados eléctricos de diferentes países han empezado
a experimentar un proceso de desregu1ación, que tiene como objetivo la introducción de
competencia en las actividades de generación y comercialización (aunque no en las
actividades de transmisión y distribución dado que estas dos actividades son
monopolios naturales). Una de las principales consecuencias de esta reforma es que el
precio pasa a estar determinado por la interacción de oferta (generadores) y demanda
(comercializadores, que son agentes que compran la energía y la venden a los
consumidores finales) en lo que usualmente se denomina un "pool". En este contexto
los generadores compiten en la venta de electricidad en el "pool", mientras que los
comercializadores compran electricidad, para satisfacer la demanda de los consumidores
15
, .... ~-~ ..
Modelización Precio Electricidad: Evidencia Internacional
finales, al preCIO de equilibrio del "pool". Este precIO de equilibrio es el precIO
resultante de la intersección de oferta y demanda para cada hora ( o media hora) del día
siguiente. Los precios en los mercados liberalizados se han caracterizado por una
extrema volatilidad. Incluso cuando los comparamos con otros mercados financieros
(acciones, bonos) o con otros mercados de mercancías, el comportamiento de los
precios de la electricidad continúa siendo considerado como complejo y volátil. La
desregulación ha introducido nuevos elementos de incertidumbre en el sector y por tanto
aspectos usuales en los mercados financieros como gestión del riesgo, contratos de
derivados, o cobertura están siendo introducidos en la industria. De hecho, en aquellos
mercados eléctricos desregulados con más experiencia existen mercados de futuros y
opciones (por ejemplo contratos de futuros se negocian en diferentes mercados como el
"Sydney Futures Exchange", "New Zealand Futures and Options Exchange",
"Eltermin" (Escandinavia), NYMEX y otros).
Existe una extensa literatura de los efectos de la desregulación en mercados eléctricos
desde un punto de vista de organización industrial y de regulación. Para una
introducción al análisis de la competencia en mercados eléctricos, puede consultarse por
ejemplo, Wolak (1997), Hogan (l998)~ Borenstein (2001), Fabra y Harbord (2001) y
las referencias que se incluyen en estos trabajos. Nosotros tomamos como dados los
precios de equilibrio (vaciado de mercado) de los mercados spot para realizar nuestro
análisis.
La caracterización del comportamiento de Jos precios de la electricidad es una tarea
necesaria y es la base para la valoración y la gestión del riesgo tanto de activos reales
como de contratos financieros son subyacente esta mercancía. Algunas contribuciones
16
Capítulo 2
iniciales son Johnson y Barz (1999), Bhanot (2000), Lucía y Schwartz (2002) y Knittel
y Roberts (2001).
Extendemos esta literatura proponiendo y estimando un modelo general y flexible, que
aplicamos a un conjunto relativamente amplio de países, Argentina, Escandinavia
(NordPoo1), Australia (Victoria), Nueva Zelanda (Hayward), EEUU (Pennsy1vania
Nueva Jersey-Mary1and, PJM de aquí en adelante) y España. Esto nos permitirá
comparar las diferencias en el comportamiento del precio de la electricidad en diversos
mercados liberalizados, así como cuantificar el papel de estas características
(importancia de la estacionalidad, reversión a la media, volatilidad y/ o saltos) en cada
mercado individual. Nuestro objetivo es proponer un modelo general (modelo de
referencia) que englobe las principales características presentes en todos estos
mercados.
Una de las principales innovaciones de este artículo es la estimación de un modelo
flexible a un conjunto significativo de mercados. Es decir, tomamos en cuenta la
interacción entre saltos y comportamiento GARCH, y entre saltos, comportamiento
GARCH y reversión a la media. Nuestros resultados muestran la importancia de incluir
estos tres elementos de forma simultánea, para aislar verdaderamente los principales
elementos que explican el comportamiento de los precios de la electricidad en mercados
liberalizados. La otra contribución importante es proponer y aplicar una nueva
estrategia para analizar la posible presencia de raíces unitarias en presencia de
volatilidad y saltos. Aunque nos centramos en los precios de equilibrio en mercados
eléctricos, esta estrategia de modelización podría aplicarse al precio de otras mercancías
como por ejemplo el gas.
17
Modelización Precio Electricidad: Evidencia Internacional
El Capítulo se organiza de la siguiente forma. La Sección 2 describe los principales
factores que caracterizan los precios de la electricidad y discute la literatura relacionada.
La Sección 3 presenta el modelo y la metodología econométrica. La Sección 4 describe
los datos utilizados y presenta algunos estadísticos descriptivos. La Sección 5 presenta
los resultados empíricos a partir de las estimaciones. La Sección 6 aplica una batería de
test de raíces unitarias bajo la hipótesis nula de raíz unitaria contra la alternativa de
reversión a la media. Finalmente, en la Sección 7 se incluyen algunas conclusiones y se
proponen nuevas líneas de investigación sobre gestión de riesgos basados en nuestros
resultados empíricos.
2.2. COMPORTAMIENTO DEL PRECIO DE LA ELECTRICIDAD Y
LITERATURA RELACIONADA
2.2.1 ¿Porqué son tan volátiles los precios de la electricidad?
Existen varios elementos que nos permiten explicar la alta volatilidad observada
en los precios de la electricidad. Probablemente ·el más importante de ellos es la
imposibilidad de almacenar electricidad. La electricidad no puede almacenarse
fisicamente de forma directa (la electricidad puede almacenarse de forma indirecta vía
recursos hídricos o vía almacenaje de fuel, gas que son utilizados para generar
electricidad), y la producción y consumo deben estar equilibrados de forma continua.
Por tanto, "shocks" de oferta ó demanda np pueden ser eliminados de forma suave y
tendrán un efecto directo sobre los precios de equilibrio.
Las características de demanda y oferta también juegan un papel relevante en la
volatilidad observada. La demanda de electricidad es altamente inelástica dado que es
18
Capítulo 2
una mercancía necesana y muy dependiente del comportamiento del clima. Las
características de la curva de oferta ("supply stack") en cada mercado también pueden
contribuir significativamente al nivel observado de volatilidad para un nivel dado de
demanda. Recordemos que los precios de equilibrio se determinan a partir de la
intersección de la demanda y a oferta. Para niveles bajos de demanda, los generadores
ofertan electricidad mediante unidades con bajo coste marginal ("base-load units"), y a
medida que se necesita una mayor cantidad de electricidad, nuevos generadores con
mayores costes marginales entran en el sistema. La relativa insensibilidad de la
demanda a las fluctuaciones del precio, y las restricciones técnicas que la oferta puede
sufrir en períodos de demanda alta ("peak periods"), hacen que los precios a corto plazo
puedan ser extremadamente volátiles. Por tanto, en mercados donde demanda y oferta
tienen fuertes pendientes se pueden observar incrementos fuertes de precios cuando la
demanda de electricidad aumenta. Además, dependiendo de la estructura del mercado y
del poder de mercado de los generadores, para altos niveles de demanda únicamente
unos pocos generadores pueden satisfacer la demanda residual y por tanto el poder de
mercado explicar los aumentos de precios a través del comportamiento oligopolístico ó
monopolístico de los generadores.
2.2.2. Características del precio de la electricidad
El modelo que proponemos es muy flexible y nos permite introducir de f-orma
simultánea estacionalidad, reversión a la. media, volatilidad y saltos. El principal
objetivo de nuestro artículo es mostrar que este modelo general captura las
características idiosincráticas de los precios de la electricidad. Como veremos más
19
Modelización Precio Electricidad: Evidencia Internacional
adelante, secciones 4 y 5, existe suficiente evidencia en los datos para incluir las cuatro
características de forma simultánea.
a. Estacionalidad
La demanda de electricidad viene determinada de forma importante tanto por la
actividad económica como por las condiciones metereológicas. Estos dos factores
explican el comportamiento estacional observado en la series de precios. Diferentes
tipos de estacionalidad pueden aparecer en los datos; intradiaria, semanal y mensual.
Como es usual en la literatura, suponemos que la estacionalidad puede capturarse
mediante factores deterministas, y dado que analizamos precios diarios medios,
solamente consideraremos estacionalidad semanal y mensual. En particular la
estacionalidad será capturada mediante dos funciones estacionales deterministas: a)
estacionalidad semanal, capturada mediante "dummies" diarias y b) estacionalidad
mensual, capturada mediante "dummies" mensuales ó funciones sinusoidales.
La importancia de los patrones regulares deterministas en el comportamiento del precio
de la electricidad han sido analizados por Lucía y Schwartz (2002) y Bhanot (2000).
Lucía y Schwartz (2002) proponen y estiman modelos unifactoriales y bifactoriales con
reversión a la media con estacionalidad determinista para el mercado escandinavo
("NordPool"), mostrando que el patrón estacional en el precio "spot" de electricidad
puede explicar parte del patrón observado en las curvas "forward". Bhanot (2000)
analiza precios de electricidad de 12 mercados regionales de EEUU, centrándose en la
reversión a la media y en el comportamiento estacional de estas series así como las
diferencias entre ellas.
20
Capítulo 2
b. Reversión a la media.
Dado que "shocks" positivos en demanda aumentan tanto el precio de equilibrio
como los incentivos económicos a que generadores con mayores costes marginales
entren en el sistema, aumentando la oferta, parece natural esperar algún tipo de
reversión a la media en la evolución de los precios de la electricidad. Por otro lado,
podría argumentarse que los precios tienen reversión a la media dado que el clima es un
factor dominante que influye en los precios de equilibrio a través de cambios en la
demanda. Dado que la evolución del clima es un proceso cíclico con reversión a la
media, esta tendencia a revertir a su nivel medio (posiblemente variable en el tiempo)
afectará a la demanda y por tanto, a los precios de equilibrio (Knittel y Roberts 2001).
Aunque la gran mayoría de Jos trabajos que se han propuesto hasta el momento son
modelos con reversión a la media, por ejemplo, Bhanot (2000), Karesen y Husby
(2000), Lucía y Schwartz (2002) y Knittel y Roberts (2001), también existen algunos
trabajos recientes que caracterizan el comportamiento de los precios de la electricidad
como procesos sin reversión a la media, véase por ejemplo, de Vany y Walls (1999) y
Leon y Rubia (2001). Por otro lado, Johnson y Barz (1999) analizan modelos con y sin
reversión a la media con y sin saltos para un conjunto de mercados liberalizados. Sus
resultados muestran que el mejor modelo es un modelo con reversión a la media y
saltos. No obstante, estos autores no proveen ningún test formal (test de raíces
unitarias, ... ) ni consideran la posibilidad de volatilidad no constante. En este trábajo
resolvemos estas limitaciones de dos formas: a) extendemos el análisis a otros mercados
eléctricos y b) sugerimos una nuevo procedimiento formal para analizar la hipótesis de
raíz unitaria contra la alternativa de reversión a la media en presencia de GARCH y
saItos en los datos.
21
Modelización Precio Electricidad: Evidencia Internacional
c. Saltos y volatilidad
A simple vista (un análisis econométrico más formal será realizado en la Sección
5) podemos observar, en los gráficos 1 a 6 del Apéndice, claramente la importancia de
los saltos en el comportamiento del precio de la electricidad.
Una de las características de estos saltos, es que el precio no permanece en el nuevo
nivel, sino que revierte rápidamente al nivel previo. Este comportamiento puede
capturarse mediante la introducción de un proceso de Poisson en un modelo de difusión
con saltos. De hecho existen algunos trabajos con procesos de difusión con saltos.
Johnson y Barz (1999) estiman varios procesos de difusión con saltos para varias series
de precios de electricidad, Knittel y Roberts (2001) también estiman un modelo con
saltos (con intensidad dependiente del tiempo) para los precios de California. A pesar de
las ventajas de introducir saltos en el modelo, también existen algunas limitaciones en la
modelización de las series de precios con procesos de difusión con saltos (ver por
ejemplo, Pirrong y Jermakyan, 1999 y Clewlow y Strickland, 2000). La principal crítica
es el supuesto de que todos los "shocks" que afectan a la serie desparecen al mismo
ritmo. Simple intuición económica nos diría que este no es el caso. Para "shocks"
grandes parece evidente que las fuerzas de demanda y oferta harán que el precio revierta
al antiguo nivel de forma rápida. Por otro lado, cuando los "shocks" son de menor
tamaño, es más probable que los precios reviertan al nivel previo de forma lenta debido
a la presencia de costes de ajuste. En términos estadísticos, la modelización de las series
con procesos de difusión con saltos también tiene sus propias limitaciones. Cuando
estimamos el proceso de difusión con salto mediante (Cuasi) Máxima Verosimilitud el
modelo estimado tiende a capturar los saltos de menor tamaño y mayor frecuencia en la
serie. Además, los modelos de difusión con saltos, no capturan el hecho de que los
22
Capitulo 2
saltos aparecerán con mayor probabilidad en aquellos periodos donde la diferencia entre
la máxima oferta posible y la demanda no sea muy grande (exceso de capacidad
pequeño). Si la curva de oferta ("supply stack") es convexa (costes marginales
crecientes) durante periodos de demanda alta, el efecto sobre los precios, para un nivel
dado de demanda (movimiento hacia la derecha en la curva de demanda), será mayor
cuanto menor sea el exceso de capacidad. Nuestro modelo es suficientemente flexible
como para resolver estas limitaciones.
Otro aspecto importante del precio de la electricidad es la existencia de alta volatilidad y
de agrupamiento ("clustering") de la misma. Uno de los modelos más populares para
modelizar la volatilidad condicional es el modelo GARCH y sus extensiones. Aunque
existe algún trabajo en la aplicación de los modelos de la familia ARCH a los precios de
la electricidad, existen algunos problemas en el uso de estos modelos con series de
precios de electricidad. Para una aplicación de diferentes tipos de modelos ARCH y
GARCH en series de precios de electricidad puede consultarse Duffie et al. (1998) y
Knittel y Roberts (2001). Duffie et al. (1998) mostraron como la aplicación de este tipo
de modelos a las series de precios tiene sus limitaciones, ya que los resultados de la
estimación suelen dar procesos de volatilidad integrada, lo cual no es un resultado muy
deseado. Una de las razones por la que se obtienen estimaciones con volatilidad
explosiva es la presencia de "outliers" (ó saltos) en los datos, que sesgan la estimación
del proceso GARCH. El sesgo en los coeficientes del modelo GARCH debido a la
presencia de saltos también ha sido obteni~o en potro tipo de aplicaciones financieras,
por ejemplo la aplicación de procesos de difusión con saltos para tipos de cambios de
monedas dentro del SME, Neely (1999). Otros trabajos, que analizan el efecto de los
"outliers" ("saltos") en modelos GARCH son las aplicaciones a rentabilidades de
23
Modelización Precio Electricidad: Evidencia Internacional
acciones de Camero, Peña y Ruiz (2001), Hotta y Tsay (1998) y Verhoeven y McAleer
(2000). Nuestros resultados muestran que se pueden mejorara los modelos de difusión
con saltos y los modelos GARCH si se trabaja con un modelo que simultáneamente
captura ambas características. Mostramos como ambos modelos son complementarios
en vez de sustitutivos. Es importante remarcar que una vez permitimos la presencia de
saltos en modelos GARCH obtenemos que el proceso estimado de volatilidad es
estacionario. Por otro lado, permitiendo comportamiento GARCH en el proceso de
difusión con salto encontramos que la probabilidad de observar un salto es menor, ya
que parte de los saltos más pequeños que eran capturados previamente por el modelo de
saltos puro (con volatilidad constante) son capturados ahora por el componente
GARCH.
Además, permitimos que la intensidad del proceso de Poisson que gobierna la
ocurrencia de los saltos sea no constante. Hemos comentado anteriormente, que las
características tecnológicas de los mercados de electricidad, como costes marginales
crecientes en la curva de oferta, aumentan la probabilidad de observar mayores saltos
cuando la demanda es alta (mayor tasa de utilización de la capacidad), ver por ejemplo
Bimbaum y otros (2002). No obstante, también podemos observar saltos en los precios
de la electricidad cuando la demanda no es muy alta. Esto puede deberse a problemas de
transmisión o a problemas en ciertas plantas de generación. En ésas situaciones, la
disminución (movimiento hacia la derecha) de la oferta y no el aumento de la derhánda,
es la fuente que genera los saltos en los precios de la electricidad. Por motivos
ilustrativos y por limitaciones en los datos, hemos decidido modelizar la especificación
para la intensidad del salto mediante "dummies" estacionales. Estas "dummies" actúan
de "proxy" para la variable demanda que es una de las principales fuentes de saltos.
24
Capítulo 2
Queremos remarcar nuevamente la flexibilidad de nuestro modelo al permitir modelizar
simultáneamente el proceso de intensidad del salto y la volatilidad (GARCH).
2.3. ESPECIFICACIÓN DEL MODELO Y ESTIMACIÓN
Hemos visto en la sección previa que un modelo razonable para la modelización
de los precios de la electricidad debería tener en cuenta la existencia de estacionalidad
determinista, la posibilidad de reversión a la media, saltos y volatilidad estocástica. Por
tanto, proponemos un modelo que simultáneamente incorpore estos elementos de una
forma flexible. En particular, nuestro modelo más general tiene en cuenta la posibilidad
de estacionalidad (determinista), volatilidad (componente GARCH) y saltos (con la
posibilidad de intensidad dependiente del tiempo). Además, podemos analizar la
importancia relativa de cada uno de estos elementos mediante la estimación de seis
modelos diferentes (anidados) para cada uno de los mercados analizados.
Presentamos el modelo en tiempo continuo y en tiempo discreto. Dado que este artículo
se centra en el análisis del proceso generador de datos de los precios de equilibrio de la
electricidad, trabajamos con una versión en tiempo discreto del modelo. Pero, dado que
la mayor parte de los análisis en economía financiera (por ejemplo valoración y
cobertura) se realizan con modelos en tiempo continuo, primero mostramos la versión
de nuestro modelo en tiempo continuo.
25
Modelización Precio Electricidad: Evidencia Internacional
El modelo en tiempo continuo es 1 :
(1)
(2)
(3)
donde Pt es el precio de equilibrio de la electricidad, f(t) es una función detenninista
estacional que captura la estacionalidad observada en los precios de la electricidad
(capturada mediante "dummies" mensuales ó funciones sinusoidales), dZ y dZv son
procesos independientes de Wiener, dIl(AJ es un proceso de Poisson con intensidad no
constante At, Y J(JiJ ,(jJ) es una variable aleatoria distribuida como una Nonnal con
media JiJ Y desviación estándar aJ. VI captura la evolución de la volatilidad estocástica.
Suponemos que el proceso de Wiener, el proceso de Poisson y el tamaño del salto son
procesos mutuamente independientes.
Modelos en tiempo continuo son la base de análisis de un amplio abanico de problemas
en finanzas, aunque usualmente son dificiles de estimar. Los métodos de estimación
para modelos en tiempo continuo son computacionalmente intensivos en la práctica y
son especialmente dificiles de estimar en el contexto de procesos con intensidad
dependiente en el tiempo. Una solución es la discretización (por ejemplo mediante la
aproximación de Euler). Es bien sabido que la discretización de ecuaciones diferenciales
estocásticas introduce un sesgo de estimación. Sin embargo, el sesgo es menor cuanto
1 Nótese que estamos analizando precios de equilibrio de electricidad. Los datos que analizamos son precios medios diarios. Hemos decidido no tomar logaritmos dado que esta transformación tiende a eliminar la asimetría a al derecha y los "outliers". En nuestro caso asimetría y "outliers" son explícitamente modelizados con parte importante de fuentes de incertidumbre.
26
Capítulo 2
menor es el intervalo de las observaciones. Con datos diarios el sesgo es negligible (ver
por ejemplo, Bergstrom 1988, Melino 1994 y Das 2001).
El objetivo de este artículo es discernir entre los posibles componentes que están
presentes en las series de precio de la electricidad y por tanto, hemos decidido trabajar
con una versión en tiempo discreto del modelo (1)-(3) por dos razones: a) el sesgo de
estimación con datos diarios es negligible y b) tenemos una mayor flexibilidad con los
modelos en tiempo discreto. El modelo general en tiempo discreto que hemos estimado
es:
PI = f(t) + X; (4)
d. h ~ 'f' 'X;-1 + I &11 ; probo J- Al
X;= (5)
(6)
AI=LJ'otoñol + L2'inviert + L3primavI + L4'veranot (7)
donde < Y &21 - i. i.d. N(O, J). El parámetro fjJ describe el grado de reversión a la media,
si IfjJl <1, entonces PI revierte hacia su media (no constante). El parámetro fjJ en (5) se
corresponde con (l-K) en (2), por tanto una baja reversión a la media, bajo K, es
equivalente a fjJ::::I1. Los parámetros (no negativos) co, a y P caracterizan la dinámica de
la volatilidad que sigue un modelo GARCH(1,l) (co> O; a, p ~ O). Las restricciones de
no-negatividad son necesarias para garantizar que la varianza condicional sea positiva,
por otro lado OJ debe ser positivo para que el proceso no degenere. Si a + p <1, la
27
Modelización Precio Electricidad: Evidencia Internacional
varianza revierte a su media incondicional (72 = OJ 1(1- a - /1). La ecuación (7) modeliza
la intensidad la intensidad no constante del proceso para los saltos mediante cuatro
"dummies"; inviert es una variable "dummy" que toma el valor 1 si la observación es en
Diciembre, Enero o Febrero y cero en el resto de meses; otoñot toma el valor 1 si la
observación es en los meses de Septiembre, Octubre o Noviembre y cero en el resto de
meses; primavt toma el valor 1 si la observación es en los meses de Marzo, Abril o
Mayo y cero en el resto de meses, y finalmente veranOt toma el valor 1 si la observación
es en Junio, Julio o Agosto y cero en el resto.
La estacionalidad determinista puede especificarse mediante "dummies" mensuales ó
mediante funciones sinusoidales. No obstante, por razones de espacio y lectura
repetitiva, los comentarios sobre los resultados se centrarán en las versiones con la
especificación sinusoidal, dado que los resultados son muy similares en ambos casos.
En el apéndice presentamos las Tablas con los resultados para las dos especificaciones
para la función estacional. En particular la especificación sinusoidal viene dada por la
siguiente expresión:
f(t) = BO + B2·t + CI'sin(t+C2)-(2Jr/365)) + C3'sin((t+C4)'(4Jr/365)) + DI'lab, e8a)
donde lab! es una variable "dummy" que toma el valor 1 si la observación cae en un día
entre semana y cero en el resto (fin de semana). Con esta formulación general pára la
función sinusoidal permitimos que hayan dos ciclos por año (dos máximos locales por
año). En el caso de que exista un único máximo anual deberíamos obtener C3 = C4 = O.
En el caso de la especificación con "dummies" mensuales la expresión es:
28
Capítulo 2
11
Jet) =BO+B2·t+ ¿M¡ .Dt +Dl·lab¡ (8b) 1=2
Donde D¡M es una variable "dummy" que toma el valor 1 si la observación corresponde
al mes i-ésimo y O en el resto.
Mediante la comparación de las diferentes versiones restringidas del modelo (4)-(8),
seremos capaces de comprobar qué modelo explica mejor la evolución de las series de
precios. Dado que el modelo propuesto es bastante flexible, deberíamos ser capaces de
explicar la evolución de las series de precios aunque tengan características diferentes, es
decir, mayor ó menor grado de curtosis, ó con mayor ó menor importancia relativa de
saltos, etc ...
La modelización simultánea del componente GARCH y de los saltos en los mercados
eléctricos es una extensión importante. La cuestión de si es un proceso con saltos, ó un
proceso con volatilidad estocástica el que describe mejor la serie de precios con un nivel
de curtosis dado, ha producido un debate vivo en la modelización de series financieras
(Das y Sundaram 1997, Das 2001). El intervalo de las observaciones también tiene su
importancia a la hora de decidir qué tipo de proceso es más importante. Ver por ejemplo
la discusión del test estadístico propuesto por Das (2001) a la hora de decidir entre
volatilidad estocástica y saltos. Nuestros resultados muestran que ambas fuentes de
incertidumbre son complementarias, en vez de sustitutivas, aunque la contribución
relativa de cada una de ellas será diferente en cada mercado.
El conjunto de parámetros e = {r(t), q),0"2 ,{j),a,[J,f.1J,O"J,A¡ es estimado mediante
Máxima Verosimilitud (ML). La estimación de e implica la siguiente maximización:
29
Modelización Precio Electricidad: Evidencia Internacional
(9)
Dependiendo de la especificación particular que se considere, algunos parámetros de la
ecuación (10) se igualarán a cero. Las probabilidades de transición para el proceso
vienen dadas por:
(10)
La ecuación (10) aproxima la densidad Poisson-Gaussiana mediante una mixtura de
distribuciones Gaussianas. Otro tipo de especificación para modelos Poissson-
Gaussianos podrían haberse considerados tal y cómo se ha hecho en otros trabajos en el
contexto de tipos de cambio y tipos de interés. No obstante, la evidencia previa de otros
trabajos muestra que mediante la aproximación con mixturas se obtienen resultados
similares y es más sencillo de estimar. Para algunas aplicaciones a tipos de cambio, ver
Vlaar y Palm (1993), Nieuwland, Verschoor y Wolf (1994) y Neely (1999) y Das
(2001) para tipos de interés.
Para poder comparar los diferentes modelos para las series de precios de electric;idad
hemos estimado seis modelos anidados para cada una de las series que componen
nuestro conjunto de datos internacionales. Por razones de exposición, hemos incluido
toda la formulación explícita de cada uno de los modelos en el Apéndice B. Los seis
modelos estimados son: un modelo Gaussiano puro con varianza constante y sin saltos
(Modelo 1); un modelo GARCH(1, 1 )-Gaussiano sin saltos (Modelo 2), un modelo
30
Capítulo 2
Poisson-Gaussiano con varianza constante (Modelo 3), un modelo Poisson-Gaussiano
con intensidad de saltos no constante (Modelo 3b), un modelo GARCH(l,l)-Poisson-
Gaussiano con intensidad constante (Modelo 4) y el modelo más general es un
GARCH(1,I)-Poisson-Gaussiano con intensidad de saltos no constante (Modelo 4b).
Los modelos se han estimado mediante Máxima Verosimilitud usando RATS 2.5. Las
estimaciones se obtuvieron mediante el algoritmo de Berndt, Hall, Hall y Hausman
(BHHH) (1974). Los resultados son robustos a diferentes valores iniciales.
2.4. DATOS Y ANÁLISIS DESCRIPTIVO
2.4.1 Datos
Los mercados eléctricos analizados en este artículo son: NordPool
(Escandinavia), Argentina, Australia (Victoria), Nueva Zelanda (Hayward), PJM y
España. Hemos trabajado con medias diarias de precios "spot" de electricidad (horas
pico ,"on-peak", y horas valle, "off-peak"), por tanto tenemos un dato por día. Todas las
series están expresadas en la moneda local. Los datos se han obtenido directamente de
cada mercado. El período muestral disponible para cada mercado es diferente2•
2.4.2 Estadísticos descriptivos.
En el apéndice 2.A, la Tabla 1 presenta los estadísticos descriptivos para- cada
una de las seis series. Podemos observar que las series de precios son bastante volátiles,
tienen asimetría positiva y alta curtosis. Podemos observar que aunque todas las series
tienen estas características existen diferencias entre las series. Como fue apuntado por
2 Los modelos que dieron mejor resultados fueron re-estimados durante períodos comunes y resultados similares fueron obtenidos. Por razones de consistencia y eficiencia aportamos los resultados obtenidos a partir de la muestra de tamaño mayor en cada uno de los mercados.
31
Modelización Precio Electricidad: Evidencia Internacional
Wolak (1997), el mix de generación (curva de oferta ó "supply stack") de cada mercado
se trasladará al comportamiento observado de las series de precios. En particular, en
Argentina y en Australia la electricidad es generada primordialmente por combustible
fósil, mientras que en Nueva Zelanda y NordPool la electricidad es generada
primordialmente mediante tecnología hidroeléctrica. Por tanto, tal y como vemos en la
Tabla 1, los precios en NordPool y en Nueva Zelanda son menos volátiles que en
Australia, Argentina y PJM. De hecho podemos observar por los gráficos de Australia,
Argentina y PJM que los precios de equilibrio tienen saltos ("spikes") importantes.
Wolak (1997) también apuntó el efecto de la regulación y de la micro estructura
del mercado puede tener en los precios observados. Estos efectos son cruciales para
entender el comportamiento de los precios en España, ver Federico y Whitmore (1999)
y Fabra y Toro (2001). Las diferencias entre mercados deberían, y de hecho así ocurre,
trasladarse a los resultados estimados. Por ejemplo, tal y como hemos comentado
previamente, aquellas series con mayores coeficientes de curtosis, tienden a tener en el
modelo GARCH(1,I) una persistencia estimada mayor. Como dijimos anteriormente,
los modelos GARCH usualmente tienden a introducir una persistencia mayor para poder
generar un mayor nivel de curtosis. Por otro lado, el grado de asimetría se trasladará a la
media estimada del salto. Puede mostrarse que el modelo de mixtura genera mayor
asimetría cuanto mayor sea el tamaño medio del salto.
A partir de los estadísticos resumen de la Tabla 1 y de los gráficos de la series de
precios podemos observar que el comportaI?iento de las series de precios son diferentes
en cada uno de los mercados. Este hecho corrobora el alto grado de "regionalidad" de
los mercados de electricidad liberalizados. La existencia de diferencias entre mercados
(debido por ejemplo, a diferencias en el tipo de generación, proporción de electricidad
32
Capítulo 2
generada mediante recursos hídricos, carbón, gas o plantas nucleares) corrobora la idea
de que deberíamos analizar el comportamiento de cada mercado con un modelo general
y flexible, dejando que los datos determinen qué características son más relevantes en
cada uno de los mercados.
2.5. RESULTADOS
En esta sección comentamos los resultados empíricos obtenidos más
importantes, ver Apéndice 2.B (Tablas B.l a B.6). Para cada uno de los seis mercados
analizados (por tanto para cada una de las series de precios medios diarios) hemos
estimado seis modelos, de forma que podemos analizar la importancia relativa de cada
una de las cuatro características temporales de los precios de electricidad:
estaciona1idad, reversión a la media, volatilidad no constante (GARCH) y saltos.
La elección entre las dos formas alternativas de modelizar la estacionalidad de los
precios de electricidad, "dummies" mensuales ó funciones sinusoidales, es menos
relevante cuanto más regular sea el patrón estacional. Variables "dummies" son más
sensibles a la presencia de saltos y en principio podrían aportar más flexibilidad a la
hora de modelizar la estacionalidad. No obstante, dado que los resultados empíricos son
muy similares con ambos procedimientos" sólo reportamos los resultados obtenidos con
la función sinusoidal.
La reversión a la media de las series de precios de electricidad aparece claramente en
los gráficos, ver gráficos 1 a 6, ó a partir de las estimaciones de los modelos (ver
Apéndice 2.B). En todos los modelos estimados, el coeficiente autoregresivo cjJ es
positivo y menor a 1. Únicamente en el NordPool el coeficiente estimado es cercano a
33
Modelización Precio Electricidad: Evidencia Internacional
1, indicando una reversión a la media lenta. Por ejemplo en el Modelo 1 en la Tabla B.l,
obtenemos rjJ = 0.93
El bajo grado de reversión a la media observada en el NordPool puede explicarse por el
hecho de que en el mercado escandinavo la electricidad es generada principalmente
mediante recursos hídricos. Reservas hídricas juegan el papel de almacenaje indirecto
de electricidad, por tanto en ese tipos de mercados podría esperarse una mayor
sustitución intertempora1 entre inputs, con respecto a mercados donde una proporción
menor de electricidad es generada con recursos hidráulicos. En mercados sin sustitución
intertemporal observaríamos un grado mayor de reversión a la media dado que los
generadores no pueden suavizar los "shocks", y el grado de reversión a la media de los
precios es gobernada por la reversión a la media de la demanda ó de la temperatura. Por
el contrario, en Nueva Zelanda la electricidad se genera también mediante recursos
hidrológicos y tiene un grado mayor de reversión a la media. Wolak (1997) apunta el
hecho de que en los mercados dominados por recursos hidráulicos, los precios medios
son menos estables. La inestabilidad de los precios medios se ve claramente en el caso
del NordPool. Por ejemplo, el hecho de que el año 1996 fuera un año seco, hizo que el
precio medio durante ése año fuera mucho mayor, ver Lucía y Schwartz (2002).
Este tipo de inestabilidad del clima reduce el grado de reversión a la media estimado,
generando un comportamiento en los precios que se aproxima a un proceso con raíz
unitaria y errores heterocedásticos. Comparando el coeficiente autoregresivo estimado
(rjJ ) del modelo 1 con los estimados a partir de los modelos 2 a 4, tenemos evidencia
directa acerca del efecto de los saltos y del GARCH en la hipótesis de raíz unitaria. En
particular, en el caso del NordPool cuando incluimos GARCH y saltos en el modelo,
comprobarnos claramente que la reversión a la media aparece de forma más clara
34
Capítulo 2
reduciendo el valor de rjJ de 0.93 a 0.8. En la Sección 6 presentamos un test formal de
raíz unitaria versus la alternativa de reversión a la media.
Las estadísticas descriptivas del Apéndice A y los gráficos de las series de precios,
Gráfico 1 a 6, proveen evidencia sobre la volatilidad de la serie de precios y en
particular la volatilidad no constante y el agrupamiento de la volatilidad. Una causa
conocida de la 1eptocurtosis en la distribución incondicional es la presencia de
heteroscedasticidad condicional, y por tanto, se apoya la hipótesis de que el modelo
varianza constante es demasiado restrictivo. Como era de esperar, estimando el Modelo
2 (que incorpora el componente GARCH(l,l)) obtenemos una mejora en los resultados
con respecto a los resultados del modelo con varianza constante del Modelo 1, en todas
las seis series de precios analizadas. Un aspecto importante, observado en la mayoría de
los mercados internacionales analizados, es que los parámetros estimados del modelo
GARCH (1,1) implican que el proceso estimado de la volatilidad es explosivo, es decir
a + ~ > 1, Bollerslev (1986). Un resultado común de los modelos GARCH es que
tienden a imputar un alto grado de persistencia (cuantificado por a + ~) en la volatilidad
condicional, generando un proceso para la varianza condicional que no es estacionario
en covarianza. Además, dado que la predicción de la varianza condicional j-períodos
adelante viene dada por:
(11 )
cuando a + ~ = 1, los "shocks" en la varianza condicional se acumulan y por tanto son
altamente persistentes, en el sentido de que E(ht+jlht)-+ 00 cuando j -+ 00, ver Nelson
35
Modelización Precio Electricidad: Evidencia Internacional
(1990), Y cuando a + B > 1, la predicción de la volatilidad es explosiva. Está claro que
la predicción de la volatilidad explosiva que caracteriza a los mercados eléctricos no es
un resultado deseado, dado que las predicciones del modelo pierden significado, y crean
dificultades a la hora de realizar análisis de gestión de riesgo basado en los precios de
los mercados eléctricos.
En particular, este r~sultado empírico se ha obtenido en los mercados eléctricos de
Argentina, Australia y PJM, donde el proceso GARCH estimado supone que a + B > 1.
Este resultado podría haberse anticipado dado que existe un alto grado de curtosis en los
precios de electricidad. La estrecha relación entre el grado de curtosis generado por el
proceso GARCH(1,l) y el valor de a + B es conocido, ver por ejemplo Camero y otros
(2002). En el proceso GARCH(1, 1) la medida de persistencia de los "shocks" en
volatilidad también viene dado por la suma de los coeficientes de a y B. El alto grado de
persistencia en las aplicaciones empíricas podrían deberse a la existencia del proceso
GARCH(1, 1) con un alto grado de curtosis, lo que fuerza a que la suma de los
coeficientes del proceso GARCH sea cercano a 1.
Dos factores han sido apuntados para explicar la alta persistencia del proceso GARCH
estimado: la existencia de "outliers" (Camero y otros, 2001; Hotta y Tsay, 1998;
Verhoeven y McAleer, 2000) ó la existencia de cambios de nivel en el proceso de
varianza (Lamoreaux y Lastrapes, 1993).
En nuestro caso, el principal factor es la existencia de importantes saltos ("spikes") en
las series de precios de los mercados eléctricos que pueden afectar' los parámetros
estimados del proceso de volatilidad. Observar por ejemplo, que el valor del parámetro
estimado a en el Modelo 2 es siempre mayor que el valor estimado bajo el Modelo 4
que permite ambos GARCH(l,l) y saltos. Esta diferencia es si cabe mayor en los casos
36
Capítulo 2
de Argentina, Australia y PJM. Nótese que el parámetro a puede aumentar debido a la
existencia de períodos ocasionales de alta volatilidad y baja persistencia. Tal y cómo se
pude ver en los Gráficos 1 a 6, en las series de precios de Argentina, Australia y PJM
aparecen fuertes incrementos de precios que permanecen durante períodos cortos de
tiempo (unos pocos días).
Otra especificación alternativa, al movemos del modelo simple de varianza constante es
permitir la existencia de saltos, ver Modelo 3 en el Apéndice B. Obsérvese que en las
seis series de precios hay una mejora en los resultados cuando nos movemos del
Modelo 1 al Modelo 3. Los parámetros correspondientes al proceso de salto (A, J1J, aJ)
son todos significativos en cada uno de los mercados. Únicamente en el caso de Nueva
Zelanda, JI) no es estadísticamente diferente de cero, lo que implica que el tamaño del
salto MEDIO es cercano a cero. No obstante, esto no implica que el proceso de salto no
sea importante para entender el comportamiento de la serie de precios. Podemos
comprobar la mejora de la introducción de saltos mediante el valor de la función de
verosimilitud (criterio de Schwarz) ó mediante un test de Ratio de Verosimilitud
(resultados en la Tabla B.7 del Apéndice 2.B).
Por otro lado, también hemos estimado el Modelo 3b, para tener en cuenta que la
probabilidad de observar un salto no sea constante a lo largo del año. En particular en el
Modelo 3b, A es función de "dummies" estacionales (una por estación), véase Apéndice
2.B para la parametrización utilizada.
Nuestros resultados confirman la intuición de que la probabilidad de observar saltos no
es constante. Una implicación de este resultado es que deberíamos esperar en los precios
de contratos de futuros que la prima de riesgo variara en el tiempo. Una línea de
investigación futura sería analizar qué variables, por ejemplo, demanda, reservas
37
Modelización Precio Electricidad: Evidencia Internacional
hidráulicas, etc ... deberían ser incluidas explícitamente en el modelo para identificar los
fundamentos que subyacen detrás de los saltos observados en las series de precios. Otra
línea interesante seria analizar como los mercados de futuros valoran el riesgo de saltos.
Mediante comparaciones de los valores de la función de verosimilitud entre modelos
anidados, basados en el Test de Ratio de Verosimilitudes, ver Tabla 7 en el Apéndice
2.B, podemos concluir que el con modelo que incluye volatilidad no constante
(GARCH) y saltos obtenemos unos resultados mejores que con: el modelo de
volatilidad constante (Modelo 1), el modelo GARCH (Modelo 2), el modelo puro con
saltos y volatilidad constante (Modelo 3 y Modelo 3b) en todos los mercados excepto en
el mercado español. (La modelización de Fabra y Toro (2001) para el mercado español,
basada en modelos oligopolísticos, muestra como las características del mercado junto
con las reglas concretas existentes para remunerar a los generadores por los Costes de
Transición a la Competencia (CTC), hacen que el mercado español tenga un
comportamiento algo diferente).
Por tanto, concluimos que ambas fuentes de incertidumbre, volatilidad estocástica y
saltos, son necesarias para explicar el agrupamiento de volatilidad, la asimetría y el
exceso de curtosis observada en la mayoría de los mercados eléctricos.
Comprobamos la interacción de estas dos fuentes de incertidumbre (GARCH y saltos)
an~lizando los resultados del Modelo 4. En el caso de NordPool, Australia y Nueva
Zelanda, el modelo 4 es con el que se obtiene los mejores resultados. En todós los
mercados excepto el español, podemos observar que el proceso GARCH es estacionario
en el Modelo 4 y que la probabilidad estimada de observar un salto, es decir la
estimación del parámetro A, es menor que el que se obtiene con el Modelo 3.
Interpretamos este resultado como un argumento más a favor de incorporar ambas
38
Capítulo 2
fuentes de incertidumbre. Por tanto, saltos y procesos GARCH son complementarios en
ve de ser factores sustitutivos en un modelo para precios de electricidad.
Finalmente Modelo 4b permite que exista dependencia temporal en la intensidad del
proceso de Poisson. En el caso de Argentina el modelo 4b es el que obtiene mejores
resultados (bajo el criterio de Schwarz, SC). En el caso de Argentina (también ver el
caso del mercado PJM) existe un patrón estacional claro, con una mayor probabilidad de
observar un salto durante los meses de Junio, Julio y Agosto. En este caso los efectos
del salto y la volatilidad aparecen de forma más clara. Podemos observar la importante
disminución en el valor estimado de a cuando permitimos la inclusión de saltos (ver
también los resultados para los mercados de Victoria y PJM). También debe hacerse
notar que cuando pasamos del Modelo 3 al Modelo 4, la intensidad del proceso de
Poisson (A) disminuye (debido a que parte de los movimientos de las series de precios
son capturados por el componente GARCH) , aunque la disminución del salto medio
estimado no es estadísticamente significativa.
El mercado español requiere un comentario especial. El resultado de este mercado
apunta que el mejor modelo, es el Modelo 2. La estimación del Modelo 2 con datos
españoles muestra que el proceso GARCH(l,l) estimado es estacionario. Cuando
incluimos saltos y estimamos el Modelo 4 comprobamos cómo o bien el proceso de
salto no es estadísticamente significativo (en el caso de que la estacionalidad sea
modelizada mediante funciones sinusoidales) o bien obtenemos que el valor estimado
del parámetro OJ no es estadísticamente significativo en el Modelo 4 (con estacionalidad
modelizada mediante "dummies" mensuales). Creemos que una de las principales
razones para obtener este comportamiento en el mercado español es el marco
institucional. Principalmente, la forma en que los "Costes de Transición a la
39
Modelización Precio Electricidad: Evidencia Internacional
Competencia" (CTC) son tratados en el mercado español, (ver entre otros el análisis de
Federico y Whitmore (1999) y Fabra y Toro (2001) sobre la interacción de los
incentivos de los diferentes participantes en el mercado español y sus consecuencias
para la evolución del riesgo del precio de la energía). Básicamente, la cantidad recibida
por los generadores en concepto de CTC depende negativamente del precio observado
en el mercado mayorista. Si los precios están por encima de un nivel preestablecido y
conocido, los generadores obtienen mayores beneficios de sus operaciones en el
mercado mayorista pero reciben una cantidad menor de CTCs. Por tanto, existe un
conflicto de intereses entre los generadores que dependen de las características
particulares de cada empresa: cuota de mercado, expectativas sobre la probabilidad de
cobrar CTCs, etc ... que afectan al precio de equilibrio de una forma predecible.
Nuestros resultados empíricos sugieren que existe una mejora si pasamos del Modelo 2
ó el Modelo 3 al Modelo 4. Pasando del Modelo 2 al Modelo 4 además de existir una
mejora en términos de resultados de la estimación también existe una mejora en la
interpretación de los resultados, los parámetros estimados parecen más razonables. Por
otro lado, cuando pasamos del Modelo 3 al Modelo 4 la estimación también mejora y
observamos una clara interacción entre el proceso GARCH y los saltos, mediant~ una
disminución en la intensidad estimada del proceso de Poisson. El efecto de incluir el
proceso GARCH(1,I) parece cIaro en términos de la frecuencia estimada de saltos,
mientras que el efecto en el tamaño medio estimado del salto no es tan claro. Creemos
que existen dos razones para este resultado ambiguo. La primera es que dado que
utilizamos datos medios diarios, y a pesar de incluir una variable "dummy" que captura
el efecto fin de semana (menor demanda) no estamos capturando aquellos días festivos
que ocurren entre semana, y algunos fines de semana con demanda menor que la media.
40
Capítulo 2
Probablemente en ésos días podemos observar saltos "negativos", que afectan la
estimación de f.1J , dado que al introducir el proceso GARCH acabamos obteniendo
saltos positivos y negativos. Claramente, no estamos interesados en los saltos negativos
ya que son predecibles. La otra razón es que los resultados no son tan claros en aquellos
mercados donde los saltos son relativamente menos importantes, y el comportamiento
capturado por el proceso GARCH es más importante para entender la incertidumbre en
ése mercado.
Más trabajo sería necesario en ésa dirección, aumentando el número de senes
analizadas, utilizando datos de precios de horas pico y / ó usar una especificación
alternativa para f.1J (quizás introducir dependencia temporal en el tamaño medio del
salto, esta alternativa sería muy sencilla de incorporar en nuestro modelo).
Aunque estadísticamente hablando no hay una mejoría sustancial cuando incorporamos
intensidad dependiente del tiempo, esta es una posibilidad interesante si queremos
entender otros aspectos importantes de estos mercados. Por ejemplo, el hecho de que
exista dependencia temporal en el proceso de intensidad puede afectar el
comportamiento de la prima de riesgo, y la estructura temporal de las curvas "forward".
Estas cuestiones serán analizadas más adelante.
2.6. TESTS DE RAÍCES UNITARIAS
Los test tradicionales de raíces unitarias, cómo Dickey-Fuller (1979), tienen
potencia contra la mayoría de las alternativas de reversión a la media si los errores son
homocedásticos y no existen saltos en los datos (estacionariedad). Pindyck (1999)
analiza el tema de los test de raíces unitarias en el contexto de mercancías energéticas
(petróleo, gas, carbón). Debido, en parte, a que Pindyck (1999) se centra en la evolución
41
,
Modelización Precio Electricidad: Evidencia Internacional
de largo plazo de los precios energéticos no tiene en cuenta la posibilidad de saltos ó de
volatilidad no constante en los test de raíces unitarias.
No obstante, tal y cómo hemos comprobado en la sección anterior, esas condiciones de
estacionariedad no se satisfacen en el caso de los precios de equilibrio en mercados
eléctricos. Nos proponemos generalizar métodos recientes potentes propuestos en la
literatura econométrica que de forma independiente tienen en cuenta los efectos de
heterocedasticidad- errores GARCH(1,I), ver Boswijk (2000), y "outliers" cuando
analizamos la posible presencia de raíces unitarias, ver Arranz, Escribano y Mármol
(2000).
A partir de nuestro análisis empírico hemos concluido que el modelo más apropiado
para modelizar los precios eléctricos de equilibrio (PI) es un modelo flexible (Modelo
4b en el Apéndice B) con estacionalidad determinista, componente autoregresivo
(AR(1)) y errores GARCH(1,l) y con saltos con intensidad del proceso de Poisson con
dependencia temporal. Esto es,
~ = f(t)+X¡ (12)
dónde f(t) ha sido definido en la ecuación (8) y el término estocástico %¡ es generado por
un proceso AR(I) con errores heterocedásticos y "outliers" aditivos
(13)
donde los errores l1t SIguen un proceso GARCH(I,I) con saltos con intensidad
dependiente en el tiempo y generados por un proceso de Poisson.
42
Capítulo 2
Esto es,
h 1/2 I cft; with probo 1- At
17t= (14)
h 1/2 t cft + flJ + CYJ' C2' ; with probo A,
h l = úJ + a 'Ct-1 + fJ 'h'-1 (15)
A, = L1 . otoño, + L2 . invier, + L3 primav , + L4 . verano, (16)
donde cft, C21 y CI ~ i.i.d. N(O,1) son mutuamente independientes. El objetivo es analizar
la hipótesis nula de raíz unitaria, Ho: rp = 1, contra la hipótesis alternativa de reversión a
la media, H¡:rp < 1.
2.6.1 Test estándar de raíz unitaria, Dickey y Fuller (1979)
El procedimiento más común para analizar la hipótesis de raíz unitaria, es la
utilización de test del tipo propuesto por Dickey-Fuller(DF) ó su versión aumentada,
Dickey-Fuller aumentado (ADF). Este tipo de test se utiliza en el contexto de errores
(término St en la ecuación (17», independientes, Gaussianos y homocedásticos. Para
facilitar comparaciones, reportamos los resultados del test ADF ("benchmark") bajo la
nula de raíz unitaria, Ho: (rp -1) = 0, contra la alternativa de reversión a la media H¡: (rp -
1) < O. El test ADF está basado en el ratio-t de (rp -1) en la siguiente ecuación de
regresión,
43
Modelización Precio Electricidad: Evidencia Internacional
r
MI =c+(~-I)·Xt_l + L~jMt-j +81
j=l
(17)
El número máximo de retardos (r) difiere en cada una de las series de precios de cada
mercado individual (X¡) y se determina de forma empírica de forma que los residuos (E(
estimados) no tengan correlación serial. La Tabla 6.1 incluye los resultados empíricos
del test ADF para los seis mercados analizados (NP = NordPool, ARG = Argentina,
VIC = Victoria, NZ = Nueva Zelanda, SP = España y PJM = Pennsylvania - New
Jersey - Maryland) con el valor crítico aproximado (5%).
Tabla 6.1.: Tests de Raíz Unitaria (ADF)
Series Test Estadístico ADF Valor Crítico 5% (Valores Críticos McKinnon)
NP -2,922 -2,863
ARG -6,376 -2,863
VIC -6,947 -2,863
NZ -6,031 -2,864
SP -4,686 -2,865
PJM -4,077 -2,864
Los resultados de la Tabla 6.1, muestran que la hipótesis de raíz unitaria siempre es
rechazada, a favor de la alternativa de reversión a la media, al nivel de significativo del
5%. El caso de rechazo "menos claro" ocurre en el mercado del NordPool, este
resultado era de esperar a partir de los resultados empíricos presentados en la sección
44
Capítulo 2
previa. No obstante, en la aplicación de test de raíz unitaria para series de precios de
mercados eléctricos, debemos tener en cuenta dos problemas adicionales que en
principio pueden restar credibilidad a los resultados empíricos. Primero, la presencia de
volatilidad (GARCH) y segundo, la existencia de "outliers" (saltos) en los datos. La
mayoría de los procedimientos de para el análisis de raíces unitarias son sensibles a la
ocurrencia de eventos anómalos ("outliers", etc ... ) y también a la presencia de
heterocedasticidad especialmente en el caso de volatilidad cuasi-integrada.
Seguidamente presentamos los resultados empíricos teniendo en cuenta cada uno de
estos puntos de forma independiente y también sugerimos un nuevo procedimiento
secuencial para el análisis de raíz unitaria cuando ambos problemas aparecen en las
series de precios.
2.6.2. Test de raíz unitaria en presencia de errores GARCH(l,l): Boswijk (2001)
En aquellos casos en los que el término de error sigue un proceso GARCH, la
estimación y el análisis de raíz unitaria conlleva problemas intrínsecos, Pantula (1989).
Peters y Velo ce (1988) y Kim y Schmidt (1993) proveen resultados a partir de
simulaciones que muestran que los tests de Dickey-Fuller basados en estimadores de
mínimo-cuadrados (MCO) son a menudo sensibles y, en el caso de que a + p <1 pero
cercano a 1, el problema puede ser muy importante. Ling et al. (2001) muestran
mediante análisis de simulación que los tests basados en estimadores máximo
verosímiles (MV) se comportan mejor que los tests basados en estimadores por MCO.
Boswijk (2000) considera tests de raíz unitarias cuando las innovaciones siguen un
proceso GARCH cuasi-integrado. Tal y como hemos comprobado, al igual que en
Duffie et al. (1998), los procesos GARCH cuasi-integrados son comunes en las series de
45
Modelización Precio Electricidad: Evidencia Internacional
precios de mercados eléctricos. Los tests de raíces unitarias habituales se basan en el
supuesto de volatilidad constante. Si las series son heterocedásticas, los estimadores
MCO no son eficientes, y el test puede no ser capaz de detectar la presencia de (lenta)
reversión a la media. Los resultados en Boswijk (2000) apuntan el aumento de la
potencia del test de raíz unitaria (del tipo Ratio de Verosimilitudes) cuando el test tiene
en cuenta la posibilidad de comportamiento GARCH(l, 1). El aumento en la potencia
del contraste es mayor cuando a + /3 ~ 1, especialmente si a es alto (alta variación en el
corto plazo de la volatilidad), tal y como suele ocurrir en el caso de series de precios de
electricidad.
Presentamos los resultados del test de raíz unitaria propuesto por Boswijk (2000). El
test es un test de Ratio de Verosimilitudes basado en la siguiente especificación:
10( = (~-lXXt-l - J-L)+ Er • h:/ 2
hr =OJ+a'Er2_1 + j3·hr- 1
r¡r ~ i.i.d.N(O,l)
(18)
El parámetro (~- 1) describe el grado de reversión a la media. La hipótesis nula es la
hipótesis de raíz unitaria, Ho: (~- 1) = O, que es analizada contra la hipótesis alternativa
de reversión a la media, H¡:( ~ - 1)< O.
El test estadístico de Ratio de Verosimilitudes para la hipótesis nula es
LR = -2· (1(0 R )-I(Ou ))
donde OR Y Ou son los estimadores máximo-verosímiles restringidos y sin restringir,
respectivamente. La distribución límite de LR bajo la hipótesis nula depende de un
"nuisance parameter". El "nuisance parameter" puede ser expresado (y por tanto
46
Capítulo 2
estimado) como una [unción de los parámetros GARCH. Sobre detalles de la
distribución límite y el cálculo de los p-valores, ver Boswijk (2000) y Boswijk y
Doomik (1999).
Tabla 6.2. Test de Raíz Unitaria (Boswijk, 2000)
Series LR p-value
NP 20,07 0,0033
ARG 192,4 0,00
VIC 65,71 0,00
NZ 135,08 0,00
SP 168,76 0,00
PJM 320,4 0,00
El análisis muestra claramente la no aceptación de la hipótesis de raíz unitaria en todos
los mercados.
2.6.3. Test de Raíz Unitaria en Presencia de "Outliers": Arranz, Escribano y
Mármol (2000).
La presencia de "outliers" aditivos transitorios en las series de datos sesgan la
inferencia de raíz unitaria hacia el rechazo de la hipótesis de raíz unitaria, ver por
ejemplo Franses y Haldrup (1994). Usamos un procedimiento recientemente propuesto
en la literatura para abordar esta posibilidad. Arranz et al. (2000) han propuesto el uso
de un filtro no lineal (filtro de la mediana), previamente a analizar la existencia de raíces
unitarias en series que tengan "outliers" aditivos. La metodología propuesta por Arranz
47
Modelización Precio Electricidad: Evidencia Internacional
et al. (2000) consiste en aplicar el test de Dickey-Fuller a la series filtradas. Hemos
seleccionado este procedimiento basándonos en tres argumentos: este procedimiento es
robusto a la presencia de "outliers" aditivos, mejora los resultados de test de raíces
unitarias tradicionales y es mucho más sencillo de aplicar que otros procedimientos
basados en estimación robusta, ver por ejemplo Lucas (1995 a,b), Vogelsang (1999) y
Ng Y Perron (1998).
Presentamos los resultados obtenidos mediante el uso del test de raíz unitaria propuesto
por Arranz et al. (2000). El test consiste en 2 pasos: Primer paso, filtrar los datos eX;)
mediante el "filtro de la mediana",
x; = median(X'_k , ... ,X, , ... ,X,+k) (19)
Esto es, X; es la serie X; filtrada, donde el valor k, se ha fijado en k = 2, siguiendo los
resultados de simulación de Arranz et al. (2000). En el segundo paso, aplicamos el test
ADF basado en la siguiente ecuación de regresión,
r
M; =c+(q:$-l),X;_1 + Lq:$jM;_j +Bt (20) j=1
48
Capítulo 2
Tabla 6.3. Test de Raíz Unitaria, Arranz et al. (2000)
Series Test Estadístico ADF Valor Critico 5% (valores críticos de McKinnon)
NP -2,937 -2,863
ARG -6,696 -2,863-
VIC -5,246 -2,863
NZ -6,543 -2,864
SP -4,883 -2,865
PJM -6,788 -2,864
La Tabla 6.3 presenta los resultados ADF con el correspondiente valor critico al 5%.
Una vez más, se rechaza con el 95% de confianza la hipótesis de raíz unitaria contra la
alternativa de reversión a la media en todas las series de precios de electricidad.
2.6.4. Procedimientos de Análisis de Raíz Unitaria en Presencia de "outliers" y
errores GARCH{l,l): un método basado en el "Bootstrap".
Una de las principales limitaciones de los test estadísticos recientes para el
análisis de raíz unitaria es el hecho de que pueden tratar bien la presencia de GARCH ó
alternativamente la presencia de saltos pero no pueden capturar ambos de forma
simultánea. Nuestro objetivo en este apartado es proponer una nueva estrategia de
análisis que capture simultáneamente la presencia de GARCH y saltos en un coritexto
de análisis de raíz unitaria.
Proponemos implementar este procedimiento de análisis en dos pasos:
49
Modelización Precio Electricidad: Evidencia Internacional
Primero, aplicar el filtro de la mediana propuesto por Arranz et al. (2000) a las
series originales (PI) sin componentes deterministas estacionales, es decir (Xt) en
la ecuación (12), y generar Xt*.
Segundo, aplicar el test propuesto por Boswijk (2000) a las series transformadas
* Xt.
Dado que no conocemos la distribución límite, ni la distribución en muestras pequeñas
del test LR de Boswijk cuando es aplicado a Xt*, sugerimos implementar el test LR
mediante técnicas de remuestreo "bootstrap".
En particular, estamos permitiendo que las senes de precIOs de equilibrio tengan
volatilidad no constante (GARCH(l,I)) y "outliers" (aditivos), ver ecuaciones (12)-
(16). Para capturar de forma simultánea ambas características sugerimos aplicar de
forma secuencial los procedimientos propuestos por Arranz et al. (2000) y por Boswijk
(2001). La idea consiste básicamente en utilizar un procedimiento potente para analizar
la hipótesis de raíz unitaria en presencia de errores GARCH(l,l), tornando en cuenta
también la posible existencia de "outliers" y estacionalidad. Para ello, aplicarnos el filtro
de la mediana a la serie "desestacionalizada" (pasos preliminares). Una vez hemos
realizado estas correcciones aplicarnos el test de raíz unitaria de Boswijk combinado
con técnicas "bootstrap" para obtener valores críticos válidos.
Sea Xt* la serie de precios de equilibrio sin estacionalidad y filtrada mediante el filtro de
la mediana, ecuación (14) con k = 2. Estarnos interesados en analizar la hipótesis- nula
de raíz unitaria en el siguiente modelo:
(21)
50
Capítulo 2
Es decir, queremos analizar la hipótesis nula Ha:( rjJ - 1) = O ante H,: (rjJ - 1) < O mediante
el test de Ratio de Verosimilitudes propuesto por Boswijk. Sean {i',cU,a,fi} los
parámetros estimados cuasi-máximo-verosímiles del modelo (16) bajo Ha Y sea &; los
residuos "bootstrap" generados a partir de los residuos cuasi-máximo-verosímiles. Para
generar muestras "bootstrap" hemos usado el siguiente esquema bajo la hipótesis nula
(Ho):
(22)
Hemos realizado NB = 1000 re-muestreos "bootstrap". Para cada muestra hemos
estimado el modelo bajo la nula y bajo la alternativa y hemos calculado el
correspondiente estadístico LR. El valor crítico "bootstrap" se ha obtenido a partir de la
distribución empírica de estos Ratios de Verosimilitud (tomando aquel valor que deja el
5% de las observaciones a su derecha).
En resumen, el nuevo procedimiento secuencial para analizar la existencia de raíz
unitaria es:
Paso 1: Eliminar la estacionalidad. Definir J:'; = Pt - f(t) , donde Pt es la serie de
precios de equilibrio de la electricidad y f(t) es la función sinusoidal definida en (8)
usando los valores de los parámetros estimados a partir del Modelo 4 (Tablas B.l a B.6
del Apéndice B).
Paso 2: Aplicar el filtro de la mediana, ecuación (14) , aJ:';. Es decir, generamos:
x; = median(Xt _k , ••• , X t , ••• X t+k ) para k = 2.
51
Modelización Precio Electricidad: Evidencia Internacional
Paso 3: Estimar el modelo (21) mediante QMV bajo la nula (Ha: (rjJ - 1) = O) Y
bajo la alternativa (H1: (rjJ - 1) < O). Calcular y guardar el estadístico LR en cada caso.
Definir este estadístico LR como LRz
Paso 4: Los residuos QML obtenidos bajo la nula son usados para generar NB
muestras bootstrap mediante el esquema propuesto anterior (22). Hemos fijado Nb =
1000.
Paso 5: A partir de las muestras "bootstrap" (Z;) obtenemos los estimadores
QML "bootstrap" y los correspondientes valores de la log-verosmilitid, bajo la nula y
bajo la alternativa, y almacenamos el estadístico LRz
Paso 6: La hipótesis Ho: (~ - 1) = O se rechaza si LRz es mayor que el
correspondiente valor crítico "bootstrap", obtenido a partir del valor que define el 5% de
la cola inferior de la distribución empírica.
Tabla 6.4. Resultados Ratio Verosimilitudes (LR), valor crítico y p-valor.
Series Likelihood Ratio (LRz) 5% bootstrap critical value p-value
NP 7,15 6,99 0,046
ARG 150,82 10,58 0,000
VIC 112,95 7,44 0,000
NZ 35,98 10,46 0,003
SP 28,96 10,64 0,004
PJM 248,25 25,41 0,000
52
Capítulo 2
Los resultados obtenidos a partir de los test de raíz unitaria propuesto, ver Tabla 6.4.,
pelTIliten rechazar al 95% de confianza la hipótesis nula de raíz unitaria en todas las
series. Además, a partir de los resultados de las estimaciones de la sección previa
sabemos que el valor estimado del parámetro autoregresivo (AR(l)) para la serie de
precios del NordPool es el mayor y es cercano a la raíz unitaria. A partir del
procedimiento secuencial que hemos propuesto observamos que en el caso del
NordPool la hipótesis de raíz unitaria puede rechazarse al 5% y que el p-valor del
NordPooe es el de mayor tamaño. Dado que la menor potencia de los test de raíz
unitaria aparece cuando las raíces son cercanas a la unidad, no debería sorprendernos
este resultado.
En el caso de querer realizar un análisis de gestión del riesgo en mercados eléctricos y
se debería considerar que los precios de NordPool tienen reversión a la media muy
lenta. Para otro tipo de análisis, por ejemplo predicción, análisis de cointegración etc, ...
el error que el analista puede realizar imponiendo la existencia de raíz unitaria en el
NordPool cuando en realidad existe lenta reversión a la media no debería se importante
e incluso podría ser de utilidad, ver por ejemplo el trabajo sobre cointegración en
mercados eléctricos de De Vany y Walls (1999).
2.7. CONCLUSIONES Y POSIBLES EXTENSIONES
El proceso de desregulación del sector eléctrico ha introducido, entre otras cosas,
incertidumbre en el precio. El principal objetivo de este artículo es el análisis de la
incertidumbre en los precios de equilibrio en cada "pool" analizado, como resultado de
la evolución de las intersecciones de demanda y oferta de electricidad. Hemos mostrado
3 Para el caso del NordPool también hemos realizado el análisis "bootstrap" con 2000 réplicas. En este caso, el valor crítico era 6,67 y el p-valor era 0,039.
53
Modelización Precio Electricidad: Evidencia Internacional
la alta volatilidad y la existencia de saltos en las series de precios de varios mercados
internacionales. Hemos presentado un modelo general para la modelización de precios
de electricidad en mercados desregulados que tiene en cuenta esos factores y provee
evidencia empírica y intuición económica para la presencia de estos factores y la
interacción entre ellos.
Los factores principales son: estacionalidad, reversión a la media, heterocedasticidad
condicional y saltos. Hemos mostrado la flexibilidad de nuestro modelo que permite
incorporar las principales características de las series de precio de electricidad para un
conjunto de diferentes mercados. Hemos mostrado la adecuación de nuestro modelo
para series de precios con diferentes grados de estacionalidad, diferentes grados de
persistencia de "shocks" en la ecuación de la media, diferentes grados de intensidad de
saltos (diferentes niveles de curtosis) y diferentes estructuras de mercado (mix
tecnológico de generación).
También hemos realizado un análisis detallado de reversión a la media de los precios de
la electricidad. Hemos utilizado un conjunto de análisis para la existencia de raíz
unitaria que tienen en cuenta el efecto de la heterocedasticidad y los "outliers". El nuevo
procedimiento propuesto en este trabajo permite concluir que en los seis mercados
analizados utilizando datos diarios; Argentina, Australia (Victoria), Nueva Zelanda
(Hayward), NordPool, PJM y España, los precios de equilibrio de la electricidad
muestran reversión a la media. Como era de esperar, el menor grado de reversión a la
media es el observado en el NordPool, pero inclusive en este caso el grado de reversión
a la media aumenta cuando tenemos en cuenta de forma simultánea la posibilidad de
saltos y GARCH. Aunque el comportamiento GARCH(l,l) es un factor importante en
54
Capítulo 2
general, la inclusión de GARCH y saltos es necesario (excepto para el caso español)
para obtener resultados convincentes.
Nuestra metodología empírica es suficientemente flexible como para incorporar otros
posibles elementos. Por ejemplo, dada la estacionalidad observada en la demanda de
electricidad y dad la convexidad de la función de oferta de electricidad, volatilidad
estacional podría ser un aspecto interesante a considerar cuando se modelizan los
precios de equilibrio de la electricidad. En nuestro caso hemos intentado capturar este
comportamiento mediante un proceso de intensidad dependiente en el tiempo. No
obstante, otras alternativas podrían ser tenidas en cuenta, como por ejemplo la
introducción de especificaciones periódicas en el proceso GARCH(1, 1) (Bollerslev y
Ghysels, 1996). Podríamos también, incorporar algún tipo de comportamiento GARCH
asimétrico, ver Knittel y Roberts (2001). La idea sería que la convexidad de la curva de
oferta ("supply stack") implicaría comportamiento asimétrico en la volatilidad de las
series de precios contingente al signo del "shock". Por ejemplo, Knittel y Roberts
(2001) estiman un modelo EGARCH(1,I) (sin saltos) para la serie de precios de
California encontrando un "efecto apalancamiento inverso" ("inverse leverage effect").
Por tanto, una extensión plausible podría ser incorporar EGARCH y saltos, para
capturar el efecto volatilidad asimétrica en las estimaciones del salto. Otra extensión
interesante sería introducir algunas variables explicativas en el proceso de salto, como
demanda ó capacidad del sistema, que afectarían la probabilidad de observar un 'salto
(A) ó el tamaño medio del salto (ji}).
Una línea de investigación interesante sería el uso de las estimaciones del modelo para
el análisis y la cuantificación de medidas de gestión de riesgo. Dado que estamos
capturando simultáneamente dos fuentes de incertidumbre, saltos y volatilidad
55
Modelización Precio Electricidad: Evidencia Internacional
estocástica, y dado que hemos observado un componente predecible en el proceso de
saltos estimado, podríamos comparar estimaciones de Valor en Riesgo ("VaR") a partir
de nuestra especificación con aquellas derivadas de modelos más establecidos. En
particular, podríamos comparar estimaciones de Valor en Riesgo mediante métodos "a
la Riskmetrics", que únicamente capturan la incertidumbre generada por el proceso
GARCH, con nuestra modelización que permite también la existencia de saltos con
intensidad no constante. Además, en, el terreno de la valoración, dado que somos
capaces de cuantificar el papel relativo de los saltos y de la volatilidad estocástica,
podríamos analizar la posibilidad de evidencia en el tipo de primas de riesgo que son
relevantes para la valoración de derivados en mercados eléctricos. Estas cuestiones van
más allá de los objetivos de este artículo y son posibles líneas de investigación futura.
En particular, en los dos próximos Capítulos se presentan dos modelos de valoración
para contratos derivados.
56
Capítulo 2
APÉNDICE 2.A: ESTADÍSTICA DESCRIPTIVA y GRÁFICOS
La siguiente tabla presenta los estadísticos descriptivos par el conjunto de series
diarias de precios de electricidad para los diferentes mercados analizados. Las
estadísticas resumen que reportamos son para las series de precios en niveles, las
unidades son las monedas locales de cada mercado.
Series analizadas y período muestral:
NordPool (NP): 1 Enero 1993 - 30 Noviembre 1999
Argentina (ARG): 1 Enero 1995 - 30 Septiembre 2000
Australia, Victoria (VIC): 1 Julio 1994 - 12 Diciembre 1999
Nueva Zelanda, (Hayward) (NZ): 1 Octubre 1996 - 31 Agosto 2000
España (SP): 1 Enero 1998 - 31 Diciembre 2000
EEUU, PJM (PJM): 1 Abril 1998 - 31 Diciembre 2001
Tabla 1. Estadística descriptiva
Series Número Media Mediana Min. Max. Desviac. Asimetr. Curtosis
Obs. Estándar
NP 2525 142,59 132,12 14,81 423,38 66,70 0,75 3,51
ARG 2100 18,79 17,46 8,03 111,44 6,39 6,39 35,65
VIC 1991 25,55 20,70 1,46 441,28 22,56 6,57 87,26
NZ 1431 37,12 38,40 0,58 115,00 14,32 0,04 3,63
SP 1096 4,52 4,42 1,62- 8,54 1,04 0,91 4,48
PJM 1370 27,92 22,57 8,19 397,34 25,58 7,60 73,44
57
Modelización Precio Electricidad: Evidencia Internacional
Gráfico la: NordPool. Precio Medio Diario.
500
400
300
2/09/ 7
Gráfico lb: NordPool. Distribución Empírica (Densidad Kernel, Epanechnikov, h =
22,679)
0.010
0.008
0.006
0.004
0.002
0.000 o 100 200 300 400
58
Gráfico 2a: Argentina. Precio Medio Diario.
120
100
80
60
40
20
9 71 7
Capítulo 2
2 9/99
Gráfico 2b: Argentina. Distribución Empírica (Densidad Kernel, Epanechnikov, h =
1,5116)
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00 20 40 60 80 100
59
Modelización Precio Electricidad: Evidencia Internacional
Gráfico 3a: Australia. Precio Medio Diario.
Gráfico 3b: Australia. Distribución Empírica. (Densidad Kernel, Epanechnikov, h =
5,9686)
0.04
0.03 -
0.02 -
0.01 -
0.00 1/ o 100 200 300 400
60
Gráfico 4a: Nueva Zelanda. Precio Medio Diario.
120
100
80
60
40
20
Capítulo 2
Gráfico 4b: Nueva Zelanda. Distribución Empírica. (Densidad Kernel, Epanechnikov, h =
6,2931)
0.04
0.03
0.02
0.01
0.00 o 20 40 60 80
61
Modelización Precio Electricidad: Evidencia Internacional
Gráfico 5a: España. Precio Medio Diario.
Gráfico 5b: España. Distribución Empírica. (Densidad Kernel, Epanechnikov, h =
0,3521)
0.6
0.5
0.4
0.3
0.2
0.1
0.0 2 4 6 8
62
Capítulo 2
Gráfico 6a: PJM. Precio Medio Diario.
Gráfico 6b: PJM. Distribución Empírica. (Densidad Kernel, Epanechnikov, h = 4,4 )
0.06
0.05 -
A 0.04 -
0.03 -
0.02 -
0.01 -
0.00 1) -100 200 300 400
63
Modelización Precio Electricidad: Evidencia Internacional
APÉNDICE 2.B: MODELOS Y RESULTADOS DE LA ESTIMACIÓN
Modelo 1: Autoregresivo (AR(1)), volatilidad constante, sin saltos (modelo de difusión
puro)
Pt = f(t) + Xt
Xt = <jJ Xt-l + a Elt
Elt ~i.i.d. N(O,1)
Modelo 2: Autoregresivo (AR(1)), GARCH(l,l), sin saltos
Pt = f(t) + Xt
X; = <jJX;-1 + hO.5t_i Eit
ht= OJ + a Et-l + fJ ht-i
Eit - i.i.d. N(O,1)
Modelo 3: Autoregresivo (AR(1)), componente de salto.
64
Pt = f(t) + Xt
<jJX;-l+a'Elt; probo 1- A
<jJX;-1+a'Elt+/-ú+arE2t; probo A
Eit, E2t ~ i.i.d. N(O,1)
Capítulo 2
Modelo 3b: Autoregresivo (AR(l)), modelo con salto, proceso de Poisson con
intensidad no constante.
Pt = f(t) + X;
X;=
1t = L1 'otoñot + L2 . inviert + L3 . primav t + L4 'verano¡
Modelo 4: AR(1), GARCH(l,l), con saltos, intensidad del proceso de Poisson
constante.
p¡ = f(t) + X;
X;=
65
Modelización Precio Electricidad: Evidencia Internacional
Modelo 4b: Autoregresivo (AR(l)), GARCH(l,l), con saltos, intensidad del proceso de
'Poisson no constante. Este es el modelo generado que hemos presentado previamente
(ecuaciones (4) - (7)).
Pt = f(t) + Xr
Xr=
ht = úJ + a . &t-l + f3' ht-l
At=Ll' otoñot + L2 'inviert + L3 'primav t + L4 'veranot
&1t, &2t ~ Ud. N(O,l).
66
Capítulo 2
Tabla 1.1: NODPOOL. Resultados Estimación.
Estacionalidad función sinusoidal.
Modelo I Modelo 2 Modelo 3 Modelo 3b Modelo 4 Modelo 4b
Parámetro Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat.
SO 137,04 63,03 111,81 195,95 110,14 65,57 111,75 66,71 111,73 181,77 111,62 180,32
r/J 0,93 134,69 0,82 57,04 0,90 114,22 0,90 117,43 0,82 60,61 0,82 60,99
Dl 7,99 4,16 7,33 13,35 7,56 5,48 7,51 5,38 6,41 11,07 6,49 10,87
Cl 30,02 14,77 38,68 58,41 37,13 28,69 40,18 28,39 40,29 64,36 40,08 61,33
C2 221,09 63,86 200,13 237,81 213,12 98,66 212,12 93,70 201,23 233,23 201,31 232,06
(J" 34,26 74,35 18,50 24,03 19,22 28,84
co 10,30 8,40 6,03 3,67 5,96 3,81
a 0,41 10,58 0,41 10,33 0,41 10,14
f3 0,59 22,98 0,58 19,32 0,58 19,36
A 0,28 5,65 0,04 0,85
Ll 0,29 5,67 O -
L2 0,14 4,21 0,08 0,94
L3 0,26 5,23 0,04 0,83
L4 0,31 5,14 0,04 0,69
J1J 50,78 6,43 53,93 6,94 15,89 0,91 16,56 0,95
(J"J 33,84 7,82 33,46 7,31 12,82 1,81 11,84 1,50
LL -12505 -11131 -12177 -12165 -11095 -11091 se 25057 22324,7 24424,5 24424 22278,2 2291,7
67
Modelización Precio Electricidad: Evidencia Internacional
Tabla 1.2: NODPOOL. Resultados Estimación.
Estacionalidad "dummies" mensuales.
Modelo 1 Modelo 2 Modelo 3 . Modelo 3b Modelo 4 Modelo 4b
Parámetro Coef. t-stal. Coef. t-stal. Coef. t-stal. Coef. t-stal. Coef. t-stal. Coef.
80 157,65 26,43 157,23 150,33 149,63 53,47 153,74 58,75 160,37 139,06 160,29 133,32
rP 0,93 131,18 0,81 61,31 0,89 103,68 0,88 105,89 0,80 58,40 0,80 58,19
Di 7,95 4,11 7,17 14,35 7,44 5,59 7,28 5,46 6,66 13,07 6,64 13,03
M2 0,03 0,005 -21,52 -18,06 -22,08 -5,58 -20,48 -5,91 -29,74 -18,04 -29,89 -17,42
M3 -14,69 -2,15 -34,07 -20,36 -37,81 -9,11 -40,86 -9,78 -36,86 -24,31 -36,65 -23,72
M4 -26,05 -3,55 -32,66 -19,88 -41,67 -10,88 -45,07 -11,81 -37,61 -23,41 -37,40 -22,98
M5 -46,83 -6,89 -58,00 -31,18 -64,07 -18,26 -67,36 -19,40 -60,32 -31,64 -60,17 -31,48
M6 -45,99 -6,71 -73,64 -40,25 -68,72 -18,69 -73,81 -19,09 -71,58 -35,13 -72,39 -34,41
M7 -53,84 -7,82 -84,96 -52,23 -81,46 -21,03 -86,66 -20,62 -90,01 -52,22 -90,68 -48,12
M8 -39,71 -6,11 -67,19 -31,35 -71,02 -21,52 -76,49 -22,43 -70,52 -34,55 -70,22 -32,4 I
M9 -16,98 -2,52 -57,23 -27,15 -44,17 -12,10 -48,64 -13,11 -64,33 -32,05 -64,11 -31,83
MIO -6,36 -0,93 -47,18 -28,87 -33,65 -7,85 -38,17 -8,56 -53,28 -34,40 -53,08 -33,77
MIl -0,08 -0,01 -31,11 -21,59 -17,76 -4,26 -21,18 -5,07 -30,63 -18,50 -30,54 -18,06
M12 4,98 0,66 -2,91 -1,92 -2,73 -0,70 0,27 0,08 -7,03 -4,51 -6,92 -4,22
O" 17,74 24,73 18,36 29,00
úJ 10,14 6,49 3,64 2,96 3,68 3,07
a 0,416 10,61 0,414 8,52 0,413 8,40
fJ 0,585 18,96 0,577 15,02 0,575 14,46
..l, 0,301 6,86 0,094 2,49
Ll 0,3]7 6,55 0,06 1,42
L2 0,152 4,65 0,13 2,22
L3 0,274 5,98 0,08 1,81
L4 0,336 5,98 0,]5 1,91
j.lJ 50,22 7,41 53,45 7,61 4,82 2,10 4,51 . - 1,75
O"J 34,76 9,33 34,28 8,27 14,82 5,39 14,68 5,69
LL -12505,4 -11115,6 -12175,0 -12161,9 -11083,9 -11082,3
SC 25120,5 22364,4 24498,8 24488,3 22324,5 22344,8
68
Capítulo 2
Tabla 2.1: ARGENTINA. Resultados Estimación.
Estacionalidad función sinusoidal.
Modelo 1 Modelo 2 Modelo 3 Modelo 3b Modelo 4 Modelo 4b
Parámetro Coef, t-stat, Coef, t-stat, Coef, t-stal, Coef, I-slal, Coef, I-stal, Coef, I-slal,
BO 19,36 42,39 18,75 184,24 19,26 99,21 19,27 99,19 19,25 137,14 19,22 136,12
tP 0,61 96,36 0,56 33,44 0,58 53,89 0,58 53,88 0,55 23,79 0,55 23,17
B2 -0,0021 -8,12 -0,0022 -39,33 -0,0028 -20,41 -0,0028 -20,51 -0,0026 -24,49 -0,0026 -24,59
DI 2,14 6,64 1,05 12,32 1,34 10,62 1,34 10,74 1,13 13,19 1,16 13,35
el -2,03 -6,81 -1,07 -15,16 -1,00 -8,97 -0,99 -9,10 -0,78 -8,89 -0,76 -8,70
e2 103,88 10,58 170,65 45,64 140,79 23,47 145,50 23,10 139,38 20,88 142,99 20,11
e3 -1,71 -6,21 -0,74 -9,85 -0,64 -5,90 -0,57 -5,24 -0,61 -7,11 -0,57 -6,54
e4 131,69 25,85 145,06 57,60 126,58 26,24 128,46 24,09 122,63 27,98 122,33 26,14
CT 4,55 216,10 1,90 50,84 1,90 52,42
(l) 0,95 14,87 0,797 10,03 0,83 10,11
a 0,85 24,15 0,486 13,56 0,47 13,27
f3 0,37 29,75 0,329 11,35 0,32 10,18
A 0,11 11,09 0,049 4,51
Ll 0,087 5,21 0,037 2,92
L2 0,070 4,60 0,037 2,68
L3 0,028 2,93 0,027 2,60
L4 0,264 10,07 0,125 4,66
J.lJ 8,09 7,82 8,00 7,82 7,01 3,55 6,80 4,46
CTJ 10,10 42,73 10,07 41,60 6,50 6,19 6,48 7,63
LL -6148,1 -5052,2 -5148,3 -5096,6 -4822,6 -4810,8 SC 12365,0 10188,5 10388,4 10307,9 9752,3 9751,6
69
Modelización Precio Electricidad: Evidencia Internacional
Tabla 2.2: ARGENTINA. Resultados Estimación.
Estacionalidad "dummies" mensuales.
Modelo l Modelo 2 Modelo 3 Modelo
Parámetro Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef.
BO 18,31 18,03 19,28 88,57 19,17 65,95 19,20
~ 0,61 90,83 0,54 29,83 0,58 54,21 0,58
82 -0,002 -6,99 -0,002 -35,91 -0,002 -20,12 -0,002
Di 2,13 6,47 1,23 15,20 1,35 10,59 1,34
M2 1,13 0,92 0,34 1,38 0,66 1,99 0,70
M3 0,18 0,11 0,36 1,29 0,46 1,32 0,51
M4 -0,04 -0,03 -0,66 -2,84 0,05 0,14 0,08
M5 1,26 1,03 0,49 2,13 0,67 1,99 0,86
M6 5,67 5,49 1,57 6,21 1,82 5,20 1,56
M7 4,49 4,44 0,74 2,95 0,88 2,57 0,67
M8 1,54 1,37 3,62 17,19 0,24 0,73 0,07
M9 -0,30 -0,26 -1,25 -4,66 -1,16 -3,19 -1,14
MiO -0,67 -0,59 -1,04 -3,77 -1,12 -2,96 -1,08
Mll -0,77 -0,55 -1,47 -4,89 -0,85 -2,25 -0,80
Mi2 0,18 0,15 -0,48 -2,05 -0,68 -1,99 -0,65
CT 4,53 208,60 1,92 51,28
OJ 0,75 12,97
a 0,87 25,56
f3 0,37 29,52
A 0,11 10,96
LJ 0,067
L2 0,084
L3 0,027
L4 0,259
J1.J 8,19 7,78 8,12
CTJ 10;18 42,04 10,13
LL -6140,1 -5025,1 -5147,1 -5096,9
SC 12402,4 10187,9 10439,5 10362,0
70
3b
t-stat.
67,19
54,31
-20,26
10,68
2,17
1,51
0,22
2,74
4,06
1,83
0,21
-3,25
-2,97
-2,20
-1,97
4,50
5,13
2,90
9,97
7,82
40,88
Modelo 4 Modelo 4b
Coef. t-stat. Coef. t-stat.
19,56 86,91 19,56 86,84
0,54 23,53 0,54 22,67
-0,002 -25,19 -0,002 -25,13
1,12 13,12 1,14 13,24
-0,48 -1,78 -0,46 -1,73
0,17 0,62 0,21 0,77
-0,50 -2,03 -0,46 -1,89
0,20 0,79 0,23 0,90
1,46 5,19 1,33 4,47
0,13 0,44 0,05 0,17
-0,03 -0,11 -0,07 -0,25
-1,24 -4,81 -1,25 -4,85
-1,15 -4,22 -1,44 -5,10
-1,45 -5,13 -1,44 -5,10
-0,80 -2,86 -0,73 -2,68
0,77 10,12 0,84 10,36
0,50 13,70 0,50 13,22
0,32 11,35 0,30 9,67
0,05 5,09
0,036 2,67
0,001 0,07
-0,010 -0,64
0,083 . 3,17
6,63 4,04 6,84 4,51
6,63 7,39 6,65 7,63
-4819,69 -4808,81
9799,90 9801,10
Capítulo 2
Tabla 3.1: AUSTRALIA (Victoria). Resultados Estimación.
Estacionalidad función sinusoidal.
Modelo 1 Modelo 2 Modelo 3 Modelo 3b Modelo 4 Mode104b
Parámetro Coef, t-stat, Coef, t-stat, Coef, t-stat, Coef, t-stat, Coef, t-stat, Coef, t-stat,
BO 31,64 15,02 18,99 60,72 26,95 35,61 26,63 35,84 24,22 41,70 25,27 44,51
ifJ 0,47 49,27 0,57 45,04 0,55 57,48 0,54 56,18 0,61 30,98 0,61 31,09
E2 -0,011 -7,08 -0,002 -11,27 -0,008 -14,52 -0,008 -14,38 -0,0062 -14,63 -0,0067 -15,78
Dl 6,82 5,53 2,13 9,23 5,20 10,08 5,07 10,02 3,17 9,94 3,30 10,20
el 6,37 4,83 2,23 10,51 3,59 8,13 3,37 7,70 2,06 6,31 5,05 15,05
e2 53,82 10,61 110,27 51,27 55,42 15,79 57,53 15,62 45,55 10,62 46,50 13,07
e3 4,32 3,43 7,29 38,94 4,90 11,47 5,08 11,70 6,00 18,04 2,81 8,45
e4 48,50 2,74 63,72 44,56 58,03 11,02 59,78 12,12 52,13 18,02 37,10 11,56
Cf 18,18 256,26 7,81 50,78
«1 2,31 7,06 3,23 6,51 3,72 7,01
a 1,07 33,89 0,32 10,75 0,33 10,92
fJ 0,49 77,96 0,62 29,45 0,61 28,41
2 0,07 9,14 0,019 4,86
Ll 0,141 6,49 0,030 2,59
L2 0,048 4,01 0,015 2,35
L3 0,031 2,81 0,006 1,18
L4 0,099 5,95 0,021 2,88
j.JJ 29,73 3,86 28,84 3,95 64,03 1,90 66,83 1,68
CfJ 53,98 35,80 52,22 37,48 84,06 8,17 86,24 6,87
LL -8582,6 -7566,8 -7527,5 -7512,7 -7161,7 -7159,2 SC 17228,2 15210,6 15139,0 15130,4 14421,4 14447,4
71
Modelización Precio Electricidad: Evidencia Internacional
Tabla 3.2: AUSTRALIA (Victoria). Resultados Estimación.
Estacionalidad "dummies" mensuales.
Modelo 1 Modelo 2 Modelo 3 Modelo 3b Modelo 4 Mode104b
Parámetro Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat.
EO 31,26 10,79 5,67 10,74 22,93 19,19 22,00 17,68 15,96 19,05 16,21 18,22
rjJ 0,46 46,41 0,53 29,53 0,52 63,99 0,51 66,60 0,59 29,59 0,59 20,09
B2 -0,011 -5,65 -0,005 -19,27 -0,009 -14,62 -0,009 -14.64 -0,006 -14,07 -0,006 -14,54
DI 7,20 4,90 1,82 6,83 5,48 10,04 5,35 9,98 3,02 10,17 3,01 9,76
M2 -3,11 -0,72 10,00 13,91 1,00 0,72 1,33 0,91 2,10 1,87 2,27 1,92
M3 -9,25 -1,32 15,10 20,58 -2,28 -1,41 -1,49 -0,93 4,67 5,15 4,69 4,86
M4 -5,05 -1,12 12,79 19,89 -0,21 -0,14 0,74 0,51 1,59 1,66 2,11 2,27
M5 3,42 0,70 20,99 32,49 8,86 6,32 9,90 7,07 7,70 8,00 7,62 7,54
M6 9,21 2,90 32,00 61,33 10,48 7,62 10,72 7,47 8,76 8,04 9,13 7,92
M7 8,25 2,43 25,83 39,22 11,51 7,72 12,01 7,79 17,07 17,46 17,21 16,54
M8 3,68 0,81 23,29 46,02 8,78 6,05 9,43 6,36 13,47 14,58 13,59 13,79
M9 -1,63 -0,34 20,16 30,77 3,97 2,71 4,73 3,23 9,27 10,02 9,57 9,96
MIO -0,94 -0,23 29,23 46,11 4,34 2,87 5,14 3,40 9,59 10,26 9,60 9,65
MIl 2,90 1,07 47,80 60,53 5,11 3,59 5,92 4,17 7,46 8,25 7,69 8,03
MI2 5,95 2,52 14,57 17,92 5,55 4,16 5,25 3,64 6,76 4,88 7,12 4,87
G' 20,26 212,44 8,34 52,50 8,21 51,90
(j) 1,39 2,90 2,55 6,31 2,70 6,79
a 1,10 30,69 0,34 11,43 0,33 12,18
f3 0,50 63,41 0,62 32,04 0,63 36,61
A 0,07 9,03 0,02 5,09
LI 0,04 3,71 0,017 2,54
L2 0,138 6,51 0,029 2,65
L3 0,029 2,77 ° L4 0,093 5,84 0,020 2,84
JiJ 34,38 3,54 33,20 3,64 69,13 1,84 79,85 1,61
G'J 63,07 33,57 60,71 35,39 95,88 8,55 103,86 6,25
LL -8797,2 -7953,4 -7618,96 -7603,2 -7221,6 -7222,6
SC 17715,9 16043,5 15382.2 15373.5 14602,7 14627,5
• En este caso hemos impuesto L3 = O en el modelo, de fonna que la especificación concreta en este caso es: }.,(t) = L1 *otoñot + L2 *inviert + L4 *veranot
72
Capítulo 2
Tabla 4.1 : NUEVA ZELANDA (HAYW ARD). Resultados Estimación.
Estacionalidad función sinusoidal.
Modelo 1 Modelo 2 Modelo 3 Modelo 3b Modelo 4 Modelo 4b
Parámetro Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat.
BO 43,94 36,25 44,72 64,25 45,47 48,16 44,77 43,97 46,82 112,15 46,82 112,93
rP 0,62 47,94 0,61 23,70 0,64 45,22 0,65 42,54 0,57 22,89 0,57 22,67
E2 -0,013 -10,13 -0,011 -15,60 -0,015 -16,17 -0,014 -13,45 -0,017 -31,62 -0,017 -31,52
DI 3,35 5,05 3,25 6,53 2,44 4,36 2,77 4,67 2,83 9,56 2,82 9,57
el -4,05 -6,48 -5,69 -15,26 -5,27 -10,10 -4,91 -8,43 -4,57 -15,12 -4,53 -14,97
e2 52,59 5,83 64,60 17,62 40,30 7,14 48,73 7,62 46,32 11,26 46,62 11,20
e3 -2,50 -3,82 2,81 7,51 1,71 3,24 1,93 3,33 -1,07 -3,38 -1,03 -3,26
e4 -5,17 -0,72 -120,29 -30,96 458,06 53,76 455,55 55,96 22,01 2,51 21,48 2,36
O' 9,87 91,25 5,43 17,64 7,35 29,44
OJ 8,14 9,42 1,11 3,60 1,13 3,64
a 0,40 9,91 0,36 8,84 0,36 8,61
f3 0,60 25,77 0,59 19,75 0,58 18,93
A 0,42 JO,71 0,10 5,76
Ll 0,066 1,88 0,096 3,40
L2 0,169 3,61 0,114 3,17
L3 0,279 5,03 0,089 2,89
L4 0,171 3,58 0,145 3,71
J.lJ 0,99 1,21 1,64 0,99 2,97 1,44 2,92 1,49
O'J 12,75 36,94 15,94 20,20 15,51 22,40 15,18 22,34
LL -5291,8 -5184,0 -5218,3 -5212,1 -4984,4 -4983,6 SC 10649,0 10447,9 10523,8 10533,2 10070,5 10090,7
73
Modelización Precio Electricidad: Evidencia Internacional
Tabla 4.2: NUEVA ZELANDA (HAYW ARD). Resultados Estimación.
Estacionalidad "dummies mensuales".
Modelo 1 Modelo 2 Modelo 3 Modelo 3b Modelo 4
Parámetro Coef. t-stat. Coef. t-stat. Coef. Coef. t-stat. Coef. t-stat.
BO 42,26 22,45 43,19 46,83 42,4 28,28 42,92 32,07 44,06 53,85
~ 0,60 43,98 0,57 19,25 0,64 39,89 0,64 39,87 0,57 22,29
B2 -0,013 -10,08 -0,012 -20,12 -0,013 -11,80 -0,013 -12,78 -0,016 -30,26
DI 3,43 5,29 3,16 7,77 3,28 5,56 3,11 5,38 3,00 10,81
M2 6,23 2,86 3,92 3,09 5,80 3,25 5,90 3,84 4,02 4,76
M3 8,82 4,57 13,72 15,49 8,32 4,93 7,45 4,17· 6,17 6,30
M4 -1,32 -0,62 1,59 1,30 -0,38 -0,21 -0,26 -0,14 2,56 2,59
M5 2,47 1,17 7,29 8,72 2,77 1,59 3,87 2,10 5,86 6,32
M6 7,68 3,77 9,99 7,98 8,51 4,94 8,77 5,42 12,03 11,88
M7 3,19 1,53 2,74 \,91 3,30 1,94 3,62 2,32 5,56 4,96
M8 1,50 0,67 2,48 2,88 1,23 0,66 1,23 0,72 2,26 2,06
M9 -6,08 -2,78 -8,70 -7,62 -6,74 -3,38 -6,54 -3,68 -2,89 -2,59
MIO 3,35 1,53 0,27 0,24 2,81 1,53 2,56 1,54 -0,21 -0,22
Mll -5,60 -2,71 -4,01 -4,01 -6,16 -3,39 -6,23 -3,80 -1,31 -1,24
MI2 -5,35 -2,48 -7,92 -8,65 -5,74 -3,31 -5,73 -3,85 -5,35 -5,81
(J" 9,62 89,97 8,05 35,84
úJ 4,45 6,27 1,17 3,60
a 0,40 12,31 0,38 8,90
j3 0,64 31,07 0,58 19,60
A. 0,06 3,24 0,08 5,35
Ll 0,098 2,81
L2 0,039 1,34
L3 0,224 4,26
L4 0,131 3,13
f.lJ 2,95 0,96 1,04 0,50 3,67 1,49
(J"J 20,70 i 1,21 17,17 17,17 16,44 19,02
LL -5254,8 -5083,2 -5179,3 -5172,7 -4948,2
SC 10625,8 10297,1 10496,6 10505,2 10048,9
74
Modelo 4b
Coef. t-stat.
44,07 54,09
0,57 22,21
-0,016 -30,23
3,00 10,80
4,01 4,78
6,20 6,39
2,57 2,62
5,88 6,40
12,03 11,80
5,53 4,90
2,26 2,04
-2,90 -2,58
-0,21 -0,21
-1,32 -1,24
-5,31 -5,81
1,17 3,61
0,38 8,74
0,58 19,39
0,092 3,11
0,075 2,92
0,068 2,53
0,099 3,07
3,59 1,45
16,31 18,05
-4947,7
10076,9
Capítulo 2
Tabla 5.1: ESPAÑA. Resultados Estimación.
Estacionalidad función sinusoidal.
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 4b
Parámetro Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat.
SO 3,32 39,24 3,81 91,52 3,44 47,21 3,62 32,90 3,97 75,94
1J 0,60 29,15 0,53 16,75 0,62 32,67 0,55 11,76 0,53 17,10
S2 0,001 10,54 0,0004 5,86 0,0008 8,41 0,0006 4,51 0,0002 2,73
Dl 0,787 29,13 0,56 14,36 0,71 14,37 0,55 7,68 0,53 16,28
el 0,18 3,26 0,15 4,94 0,16 3,46 0,13 2,07 0,17 5,79
e2 70,98 4,58 72,57 12,87 49,14 3,07 44,28 1,68 90,70 8,29
e3 -0,43 -8,33 -0,16 -4,99 -0,36 -7,92 -0,25 -4,54 -0,12 -3,87
C4 -2129,3 -639,3 -2112,2 -383,6 -2123,6 -591,4 -2120,3 -307,7 -2110,9 -267,4
(J 0,67 58,26 0,52 20,14
OJ 0,018 6,66 0,034 1,95 0,002 0,80
a 0,18 6,66 0,14 2,76 0,16 5,79 \
fJ 0,78 32,88 0,85 17,05 0,81 29,09
A 0,193 3,58 0,0002 0,00
Ll 0,45 3,03
L2 0,25 2,23
L3 0,08 1,06
L4 0,15 2,10
f.1J 0,378 2,61 0,61 0,00 -0,18 -2,16
(JJ 0,919 11,49 0,41 0,00 0,50 8,26
LL -1107,9 -942,1 -1077,8 -1010,3 -915,2
SC 2278,8 1961,2 2239,6 2118,6 1949,4
75
Modelización Precio Electricidad: Evidencia Internacional
Tabla 5.2: ESPAÑA. Resultados Estimación.
Estacionalidad "dummies" mensuales.
Modelo l Modelo 2 Modelo 3 Modelo 4 Modelo 4b
Parámetro Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-stat.
80 3,45 28,7 4,07 64,72 3,57 34,17 4,06 46,23 3,82 78,59
f/J 0,59 27,56 0,52 16,31 0,61 30,99 0,52 16,70 0,52 17,17
82 0,001 10,77 0,0006 7,44 0,0009 8,82 0,0003 3,88 0,0003 4,06
DI 0,787 14,43 0,56 14,49 0,718 15,18 0,538 16,23 0,54 16,44
M2 0,248 1,33 -0,07 -0,69 0,226 1,59 0,012 0,104 0,205 2,00
M3 0,457 2,81 -0,018 -0,18 0,434 3,27 0,094 0,87 0,305 3,85
M4 0,03 0,24 -0,28 -2,9 -0,036 -0,29 -0,157 -1,57 0,05 0,73
M5 -0,667 -4,14 -0,66 -6,26 -0,614 -4,85 -0,488 -4,31 -0,28 -3,24
M6 -0,637 -3,48 -0,69 -9,69 -0,57 -3,86 -0,55 -5,19 -0,344 -3,92
M7 -0,28 -1,47 -0,38 -3,96 -0,19 -1,29 -0,227 . -2,23 -0,010 -0,12
M8 -0,369 -2,22 -0,362 -3,78 -0,286 -2,00 -0,21 -2,01 -0,006 -0,07
M9 0,07 0,47 -0,45 -4,67 -0,07 -0,53 -0,29 -2,46 -0;08 -0,79
MIO 0,072 0,54 -0,29 -3,28 -0,19 -1,54 -0,19 -1,76 0,002 0,03
Mll -0,007 -0,05 -0,11 -1,18 0,041 0,31 0,09 0,12 0,316 2,73
MI2 -0,905 -6,80 -0,665 -8,33 -0,903 -7,69 -0,53 0,10 -0,385 -3,78
O" 0,652 57,73 0,499 20,30
(j) 0,017 5,11 0,008 0,38 0,002 0,83
a 0,187 6,34 0,158 5,66 0,151 5,45
P 0,776 27,52 0,815 29,06 0,819 28,11
A 0,198 3,76 0,223 2,59
LI 0,22 2,05
L2 0,11 0,80
L3 -0,17 -1,60
L4 -0,08 -0,84
Ji¡ 0,438 3,09 -0,056 -0,75 -0,06 -0,87
O"¡ 0,887 11,82 0,513 6,92 0,511 6,93
LL -1082,8 -919,6 -1049,9 -900,93 -897,9
se 2277,5 1965,0 2232,7 1948,80 1963,6
76
Capítulo 2
Tabla 6.1: PJM. Resultados Estimación.
Estacionalidad función sinusoidal.
Modelo I Modelo 2 Modelo 3 Modelo 3b Modelo 4 Modelo 4b
Parámetro Coef. t-stat. Coef. t-stat. Coef. t-stat. Coef. t-sta!. Coef. t-sta!. Coef. t-sta!.
80 17,59 4,90 8,70 22,60 15,92 22,26 15,88 21,60 16,70 32,71 16,69 32,25
t/J 0,57 85,02 0,39 9,69 0,39 41,42 0,39 39,88 0,49 17,67 0,49 17,23
B2 0,0072 2,32 0,0079 15,76 0,008 11,71 0,008 11,83 0,006 10,50 0,006 10,31
Di 7,45 3,12 4,11 12,99 3,06 6,67 2,99 6,43 2,33 6,50 2,33 6,47
ei 5,79 2,62 4,91 22,56 1,46 4,21 1,28 3,65 0,97 3,12 0,95 3,01
e2 -68,75 -6,38 -128,08 -84,34 -91,41 -12,99 -95,33 -11,69 105,50 12,07 103,58 11,56
e3 5,61 2,38 -7,21 -19,41 2,05 5,78 2,12 6,09 -3,39 -11,42 -3,29 -11,00
e4 -733,18 -22,36 1452,43 777,25 -685,66 -68,04 -682,03 -67,76 556,72 101,39 557,43 98,16
(y 20,29 14,92 5,99 42,95
(¡) 1,42 2,06 3,96 7,30
a 1,117 16,80 0,31 9,80
fJ 0,498 27,02 0,56 25,67
A 0,065 8,02 0,027 4,43
Ll 0,07 4,11 0,01 1,20
L2 0,01 1,70 0,01 1,24
L3 0,02 1,85 0,03 2,41
L4 0,14 6,61 0,06 3,42
j.JJ 46,34 4,28 47,13 4,27 54,98 1,91 54,35 1,83
(J'J 65,81 13,37 67,00 12,66 67,05 4,94 66,67 4,50
LL -6050,03 -5285,00 -4836,07 -4809,47 -4686,32 -4678,13 SC 12165,06 10649,45 9758,81 9727,28 9473,76 9479,04
77
Modelización Precio Electricidad: Evidencia Internacional
Tabla 6.2: PJM. Resultados Estimación.
Estacionalidad "dummies" mensuales.
Modelo 1 Modelo 2 Modelo 3 Modelo 3b Modelo 4 Modelo4b
Parámetro Coef. t-stat. Coef. t-stat. Coef. Coef. t-stat. Coef. t-stat. Coef. t-stat.
BO 17,49 2,12 17,19 31,87 17,5 16,41 17,46 15,87 17,38 25,84 17,45 26,90
~ 0,56 81,75 0,43 19,58 0,38 40,28 0,39 38,49 0,48 16,95 0,48 16,79
B2 0,007 2,18 0,006 15,63 0,008 11,82 0,009 11,94 0,006 11,52 0,006 11,35
DI 7,47 3,16 2,02 6,86 3,07 6,76 3,01 6,57 2,32 6,60 2,36 6,66
M2 -3,88 -0,31 -3,30 -4,13 -1,97 -1,56 -1,98 -1,52 -3,03 -3,17 -3,04 -3,26
M3 -2,29 -0,19 -0,80 -1,25 0,06 0,05 0,25 0,21 -1,58 -1,74 -1,63 -1,82
M4 -1,62 -0,14 1,67 2,90 -0,13 -0,10 0,15 0,12 0,24 0,28 0,14 0,16
M5 -0,56 -0,06 2,07 3,14 -1,19 -1,03 -0,68 -0,60 2,16 2,55 2,03 2,46
M6 2,62 0,32 20,37 30,59 -0,81 -0,71 -0,88 -0,73 0,81 0,97 0,78 0,93
M7 16,67 2,11 42,33 45,42 -0,02 -0,02 -0,16 -0,14 5,24 5,66 4,51 4,63
M8 8,43 1,07 18,61 31,98 1,16 0,99 0,89 0,71 2,66 2,82 2,41 2,51
M9 -4,82 -0,43 -2,74 -5,11 -4,23 -3,35 -4,19 -3,27 -2,61 -3,15 -2,52 -3,19
MiO -5,33 -0,44 -1,96 -2,48 -3,30 -2,73 -3,15 -2,61 -2,39 -2,65 -2,46 -2,78
Mll -6,99 -0,57 -4,17 -5,67 -5,16 -4,32 -5,00 -4,18 -4,81 -5,38 -4,90 -5,56
M12 -2,58 -0,28 -3,62 -5,27 -5,07 -4,04 -5,10 -3,94 -4,44 -5,09 -4,54 -5,32
(J' 20,19 152,41 5,97 43,61 6,02 44,37
co 1,615 3,47 3,72 6,61 3,79 6,71
a 1,089 26,57 0,374 10,82 0,362 10,24
j3 0,469 32,37 0,539 26,19 0,543 25,67
A. 0,064 7,97 0,022 4,04
L1 0,010 1,72 0,006 1,21
L2 0,075 4,11 0,004 0,75
L3 0,019 1,85 0,024 2,28
L4 0,142 6,54 0,057 3,08
/1J 46,67 4,26 47,21 4,23 62,57 1,98 60,11 1,85
(J'J 66,17 '13,20 67,20 12,55 71,90 4,16 70,65 4,36
LL -6043,2 -5114,9 -4825,8 -4799,5 -4671,6 -4663,5
SC 12215,5 10359,8 9788,8 9757,9 9494,9 9500,3
78
Capítulo 2
Tabla 7: Tests* de Ratios de Verosimilitudes generalizados
(p-valores en paréntesis)
Series [1] X-(2) [2] XL(3) [3] X
L(5) [4] XL
(3) [5] XL(2) [6] XL(3) [7] X
L(3)
NordPoo1 2748 656 2820 72 2164 24 N.A.
(0,00) (0,00) (0,00) (0,00) (0,00) (0,00)
Argentina 2191 1999,6 2651 459,2 651,4 103,4 23,6
(0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)
Australia 2031 2110 2841 810,2 731,6 29,6 5
(Victoria) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,17)
Nueva Zelanda 215,6 147 614,8 399,2 467,8 12,4 1,6
(Hayward) (0,00) (0,00) (0,00) (0,00) (0,00) (0,006) (0.659)
España 331,6 60,2 195,2 N.A. 135 N.A. 190,2
(0,00) (0,00) (0,00) (0,00) (0,00)
PJM 1530,1 2427,9 2727,4 1197,4 299,5 53,2 16,4
(0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)
• [1] Modelo varianza constante, sin saltos vs. Modelo GARCH(I,I), sin saltos; [2] Modelo varianza constante, sin saltos vs. Modelo de saltos puro; [3] Modelo varianza constante sin saltos vs. modelo GARCH(1,I) con salto constante (A); [4] modelo GARCH(1,I) vs. Modelo GARCH(I,I) con salto constante (A); [5] Modelo con salto puro vs. Modelo GARCH(1,I) con salto constante (A); [6] Modelo salto puro vs. Modelo con salto no constante(A(t»; [7] Modelo GARCH(I,I) con salto constante (A) vs. Modelo GARCH(l,I) con salto no constante (A(t». P-valores entre paréntesis.
79
Modelización Precio Electricidad: Evidencia Internacional
80
Capítulo 2
REFERENCIAS
Arranz, M. A., A. Escribano y F. Mármol (2000), "Effects of Applying Linear and
Nonlinear Filters on Tests for Unit Roots with Additive Outliers", Working Paper
00-86, Universidad Carlos IIl.
Bhanot, K. (2000), "Behavior of Power Prices: Implications for the Valuation and
Hedging ofFinancial Contracts", Journal of Risk, 2,43-62.
Bergstrom, A. R (1988), "The History of Continuous-Time Econometric Models",
Econometric Theory, 4:3,365-383.
Bemdt, E.K., B.H. Hall, RE. Hall y lA. Hausman (1974), "Estimation and Inference in
Non-Linear Structural Models", Annals of Economic and Social Measurement, 4,
653-665.
Bimbaum, L., lMa• Del Aguila, G. Domínguez y P. Lekander (2002), "Why EIectricity
Markets Go Haywire?", McKinsey Quarterly 1.
Bollerslev, T. (1986), "GeneraIized Autoregressive Conditional Heterokedasticity",
Journal of Econometrics, 31 ,307-327.
Bollerslev, T., RF. EngIe y D.B. NeIson (1994), "ARCH ModeIs", in R,F, EngIe and
D,L, McFadden (eds,), Handbook of Econometrics, vol, 4, Amsterdam: Elsevier.
BollersIev, T. y E. Ghysels (1996), "Periodic Autoregressive ConditionaI
Heteroscedasticity", Journal of Business and Economic Statistics, 14, 139-151.
Borenstein, S. (2001), "The Trouble with Electricity Markets (and some Solutións)",
POWER Working Paper 081, University ofCalifomia Energy Institute.
Boswijk, P.H. (2000), "Testing for a Unit Root with Near-Integrated VolatiIity",
unpubIished manuscript, Department of Quantitative Economics, Universiteit van
Amsterdam.
81
Modelización Precio Electricidad: Evidencia Internacional
Boswijk, P.H. Y lA. Doomik (1999), "Distribution Approximations for Cointegration
Tests with Stationary Exogenous Regressors", Discussion Paper 99-013/4,
Tinbergen Institute.
Camero, A., D. Peña y E. Ruiz (2001), "Outliers and Conditional Autoregressive
Heterocedasticity in Time Series", WP 01-07, Universidad Carlos IlI.
Camero, A., D. Peña y E. Ruiz (2002), "Is Stochastic Volatility more flexible than
GARCH?", WP 01-08, Universidad Carlos IIl.
Clewlow, L. Y C. Strickland (2000), Energy derivatives: Pricing and Risk Management,
Lacima Publications.
Das, S.R. (2001), "The Surprise Element: Jumps in Interest Rate Diffusions", Journal
of Econometrics, 106, 27-65.
Das, S.R. y R.K. Sundaram (1999), "Of Smiles and Smirks: a Term Structure
Perspective", Journal of Financial and Quantitative Analysis, 34,211-239.
De Vany, A. S. y D.W. Walls (1999), "Cointegration Analysis of Spot Electricity
Prices: Insights on Transmission Efficiency in the Westem US", Energy
Economics, 21, 435-488.
Dickey, D.A. Y W.A. Fuller (1979), "Distribution of the Estimators for Autoregressive
Time Series with a Unit Root", Journal of the American Statistical Association,
74, 427-3l. ,
Duffie, D., S. Gray y P. Hoang (1998), "Volatility in Energy Prices", Managing Eñergy
Price Risk, RiskPublications, Second Edition.
Fabra, N. Y 1 Toro (2001), "Price Wars and Collusion in the Spanish Electricity "spot"
Market", working paper, IDEI.
82
Capítulo 2
Federico, G. Y A. Whitmore (1999), "The Importance of Market Structure and
Incentives m determining Energy Price Risk", Energy Modelling and the
Management o/ Uncertainty, RiskPublications
Franses, P. H. Y N. Haldrup (1994), "The Effects of Outliers on Unit Root and
Cointegration", Journal o/Business and Economic Statistics, 12,471-478.
Hogan, W. W. (1998), "Competitive Electricity Market Design: a Wholesale Primer",
unpublished manuscript, Harvard Electricity Group.
Hotta, L. K. Y R. Tsay (1998), "Outliers in GARCH Process", mimeo.
Johnson, B. y G. Barz (1999), "Selecting Stochastic Process for Modelling Electricity
Prices", Energy Modelling and the Management o/ Uncertainty, RiskPublications.
Jorion, P. (1989), "On Jump Processes in the Foreign Exchange and Stock Markets",
Review o/ Financial Studies, 1,427-445.
Karesen, K.F. y E. Husby (2000), "A Joint State-Space Model for Electricity Spot and
Futures Prices", Report no, 965, Norwegian Computing Center.
Kim, K. y P. Schmidt (1993), "Unit Root Tests with Conditional Heteroscedasticity",
Journal o/ Econometrics, 59,287-300.
Knittel, C. R. y M. Roberts (2001), "An Empirical Examination of Deregulated
Electricity Prices", POWER WP-087, University ofCalifomia Energy Institute.
León, A. y A. Rubia (2001), "Comportamiento del Precio y Volatilidad en el Pool
Eléctrico Español", Instituto Valenciano de Investigaciones Económicas (IVIE) ,
WP-2001-04.
83
Modelización Precio Electricidad: Evidencia Internacional
Ling, S., W.K. Li y M. McAleer (2001), "Estimation and Testing For Unit Root
Processes with GARCH(l,l) Errors: Theory and Monte CarIo Evidence",
Discussion Paper No 544, Institute of Social and Economic Research, Osaka
University.
Lucas, A. (1995), "An Outlier Robust Unit Root Test with an Application to the
extended Nelson-Plosser data", Journal ofEconometrics, 66, 153-173.
Lucas, A. (1995b), "Unit root tests based on M estimators", Econometric Theory, 13,
331-346.
Lucía, J. y E. Schwartz (2002), "Electricity Prices and Power Derivatives: Evidence
from the Nordic Power Exchange", Review of Derivatives Research, 5 (1), 5-50.
Melino, A. (1994), "Estimation of Continuous-time Models in Finance", in Advances in
Econometrics, Sixth World Congress, Volume II, edited by C, Sims, Cambridge
University Press, Cambridge.
Neely, C.l (1999), "Target Zones and Conditional Volatility: the Role of
Realignments", Journal of Empirical Finance, 6:2, 177-192.
Nelson, D. B. (1990), "Stationarity and Persistence in the GARCH(l,l) Model",
Econometric Theory, 6, 318-344.
Ng, S. y P. Perron (1998), "Lag Length Selection and the Construction of Unit Root
Tests with Good Size and Power", Working paper 319, Boston University.
Nieuwland, F., W. Verschoor y C. Wolff (1994), "Stochastic Trends and Jumps in -EMS
Exchange Rates", Journal of Internatü?nal Money and Finance, 13, 699-727.
Pantula, S. G. (1989), "Estimation of Autoregressive Models with ARCH Errors",
Sankhya B, 50, 119-138.
84
Capítulo 2
Peters, T.A. Y W. Veloee (1998), "Robustness of Unit Root Tests in ARMA Models
with Generalized ARCH Errors", mimeo, Broek University.
Pindyek, R.S. (1999), "The Long-Run Evolution of Energy Priees", The Energy
Journal, 20, 1-27.
Pirrong, C. y M. J ermakyan (1999), "The Priee of Power: The Valuation of Power and
Weather Derivatives", working paper, Olin Sehool of Business, Washington
University.
Sehwartz, E. (1997), "The Stoehastie Behavior of Commodity Priees: Implieations for
Valuation and Hedging", Journal of Finan ce, 52, 923-973.
Sehwartz, E. y J.E. Smith (2000), "Short-Term Variations and Long-Term Dynamies in
Commodity Priees", Management Science, 46, 893-911.
Verhoeven, P. y M. MeAleer (2000), "Modelling Outliers and Extreme Observations for
ARMA-GARCH Proeess", unpublished manuseript.
Vlaar, P. y F.C. Palm (1993), "The Message in Weekly Exchange Rates in the
European Monetary System: Mean Reversion, Conditional Heteroskedasticity and
Jumps", Journal ofBusiness and Economic Statistics, 11,351-360.
Vogelsang, T.J. (1999), "Two Simple Proeedures for Testing for a Unit Root when there
are Additive Outliers", Journal ofrime series Analysis, 20, 173-192.
Wolak, F. (1997), "Market Design and Priee Behavior in Restructured Electricity
Markets: an Intemational Comparison", Working Paper, available at:
http:/www-leland.stanford. edu! ~wolak
85
Modelización Precio Electricidad: Evidencia Internacional
86
Capítulo 3
Capítulo 3:
Valoración de Derivados Eléctricos: una
Aproximación Bifactorial Con Saltos
3.1 INTRODUCCIÓN
Durante los últimos años, tanto Estados Unidos cómo la Unión Europea están
llevando a cabo un importante proceso de desregulación del sector eléctrico. La
principal característica de este proceso de desregulación es la creación de un mercado
mayorista, con un mercado de contado ("spot") opcional u obligatorio. En el mercado
"spot" los generadores (oferentes) y los distribuidores-comercializadores (demandantes)
determinan los precios y cantidades de equilibrio mediante un mecanismo de subasta l .
El hecho de que la electricidad no sea almacenable, hace de la electricidad una
mercancía peculiar. Los precios de equilibrio (vaciado de mercado) son muy volátiles y
están sujetos a importantes y bruscos saltos temporales positivos. Como consecuéncia,
en la mayoría de los casos se ha creado, de forma paralela al proceso de desregulación,
un mercado de instrumentos financieros que permita a los participantes determinar su
1 Para una introducción al análisis de mercados eléctricos liberalizados, puede consultarse entre otros Fabra y Harbord (2001), Hogan (1998) y las referencias que se incluyen en estos trabajos.
87
Valoración de derivados: modelos bifactoriales con saltos
nivel deseado de exposición al riesgo de mercado mediante el uso de instrumentos
financieros (contratos futuros, opciones, "swaps", ... ).
El principal objetivo de este capítulo es, por un lado, presentar un modelo para
valoración de contratos de futuros y por otro, comprender el tipo de compensación que
los agentes participantes en el mercado eléctrico requieren por soportar el riesgo de
precio. Los modelos que proponemos están expresados en forma reducida y extienden
trabajos previos de Schwartz y Smith2 (2000), Lucía y Schwartz (2002) y Deng (2001),
también tenemos en cuenta en la especificación de las variables de estado los resultados
obtenidos por Pirrong y Jermakyan (2000), Bessembinder y Lemmon (2002) y
Escribano, Peña y Villaplana (2002).
Proponemos dos conjuntos diferentes de modelos bifactoriales con saltos y
estaciona1idad para la valoración de derivados dependiendo si analizamos el precio
"spot" ó el logaritmo del precio (log-precio). Ambos conjuntos de modelos (precio y
log-precio) son modelos bifactoriales con saltos. Los modelos que proponemos son
extensiones de Schwartz y Smith (2000) y Lucía y Schwartz (2002), los modelos
propuestos en ambos trabajos pueden considerarse casos especiales de los modelos que
en este trabajo se proponen. La mayor extensión es la incorporación de un componente
de salto en el factor de corto plazo, permitiendo también que el proceso de intensidad
(probabilidad de ocurrencia de salto) sea no constante. De esta forma, implementamos
las sugerencias propuestas por Schwartz y Smith (2000) y Lucía y Schwartz (2002) y
los resultados obtenidos, entre otros, por Es~ribano et al. (2002).
Hemos analizado dos tipos diferentes de saltos (distribución del tamaño salto Gaussiano
y Exponencial). También extendemos la especificación para el factor de largo plazo
2 Schwartz y Smith (2000) desarrolla un modelo bifactorial de precios de mercanCÍas que permite reversión a la media en el corto plazo e incertidumbre en el nivel de equilibrio al cual los precios revierten.
88
Capítulo 3
(nivel de equilibrio), y especificamos el factor de largo plazo mediante un proceso
Aritmético Browniano (como en el trabajo original de Schwartz y Smith, 2000) ó un
proceso de Reversión a la Media. Por tanto, para cada subconjunto de modelos (precio
"spot" y log-precio) tenemos cuatro modelos diferentes que son el resultado de
combinar las dos diferentes especificaciones para el componente de salto y las dos
especificaciones para el factor de largo plazo.
Modelizamos el comportamiento estocástico de las variables de estado (no observables)
mediante procesos de difusión afines ("affine diffusions", AD) y procesos de difusión
afines con salto ("affine jump-diffusions", AJD). Con estas especificaciones podemos
utilizar el reciente análisis de transformadas de Duffie, Pan y Singleton (2000) y
Chacko y Das (2002) y obtenemos fórmulas cerradas para la valoración de contratos de
futuros. Dado que también obtenemos la función característica en forma analítica,
podemos obtener el precio de otros derivados, por ejemplo opciones, mediante
inversión de la función característica.
Uno de los principales objetivos de los mercados financieros en general, y de los
mercados de futuros en particular, es facilitar la transferencia del riesgo a aquellos
agentes que están dispuestos a soportarlo. La prima de riesgo ("forward premium"),
definida como la diferencia entre el precio actual del contrato de futuros y el precio
esperado en la fecha de vencimiento, representa la compensación requerida en equilibrio
por aquellos agentes que soportan el riesgo de precio del subyacente. El signo y tamaño
de la prima de riesgo debería estar, por tanto, relacionada con los riesgos económicos y
la disponibilidad de los diferentes agentes a soportar estos riesgos (Hirshleifer, 1990;
Longstaffy Wang, 2002).
89
Valoración de derivados: modelos bifactoriales con saltos
Dada la importancia de los saltos en los precios de electricidad (ver por ejemplo
Escribano et al., 2002), diferentes tipos de riesgo de precio pueden existir en los
contratos de futuros eléctricos. Análisis empíricos preliminares (al menos para el
mercado PJM) presentan evidencia sobre la existencia de una importante prima de
riesgo con estacionalidad (con importantes diferencias en tamaño y signo), ver Pirrong y
Jermakyan (2000). Bessembinder y Lemmon (2002) presentan un modelo de equilibrio
y muestran la posible existencia de prima de riesgo en mercados eléctricos (cuyo
tamaña y signo es función de la asimetría de precios de electricidad).
Existen algunos trabajos previos sobre valoración de contratos "forward" eléctricos.
Lucía y Schwartz (2002) examinan la importancia del patrón regular (estacional) en los
precios de la electricidad y sus implicaciones para la valoración de contratos "forward".
En su trabajo analizan modelos de difusión de uno y dos factores, extendiendo el
modelo de largo plazo - corto plazo de Schwartz y Smith (2000), incorporando
estacionalidad (mediante funciones deterministas) y aplicando el análisis a datos de
futuros del NordPool. Por otro lado, Pirrong y Jermakyan (2000), Bessembinder y
Lemmon (2002) y Longstaff y Wang (2002) entre otros, analizan la valoración de
contratos "forward" para el mercado de Pennsylvania - Nueva Jersey - Maryland (PJM
de aquí en adelante). Sus resultados muestran que los contratos "forward" eléctricos
contienen una prima de riesgo importante, es decir, precios "forward" (precios
esperados en vencimiento bajo la probabilidad riesgo-neutro) difieren de los precios
esperados a vencimiento (bajo la funcipn de probabilidad objetivo). Pirrong y
Jermakyan (2000) (PJ en adelante) consideran la diferencia como un "prima por riesgo
de demanda endógena" ("endogenous market price of power demand risk").
Bessembinder y Lemmon (2002) (BL en adelante) presentan un modelo de equilibrio
90
Capítulo 3
(con participación limitada), su modelo predice que ""forward" power price is a
downward biased predictor of the future "spot" price (negative "forward" premium) if
expected power demand is low and demand risk is moderate. However, the equilibrium
"forward" premium increases when either expected demand or demand variance is
high, beca use the positive skewness in the "spot" power price distribution". La
evidencia empírica (para el mercado PJM) presentada por BL y PJ indica que la prima
de riesgo es positiva y mayor durante los meses de veran03, y negativa o cero durante el
resto de meses. Mostraremos que el patrón estacional de la prima de riesgo puede ser
capturado por nuestro modelo y que puede interpretarse como prima por "riesgo de
salto", relacionada con el patrón estacional de saltos ("spikes") observado (bajo la
medida de probabilidad objetiva) en el mercado PJM, ver Escribano et al. (2002). Lucía
y Schwartz (2002) mostraron que el patrón, tamaño y signo de la prima de riesgo en el
mercado NordPool no aparece de forma clara. Sus resultados para el modelo
unifactorial muestran que la prima de riesgo es negativa, mientras que los resultados del
modelo bifactorial muestran que la prima de riesgo es positiva (precio "forward" mayor
que el precio esperado en vencimiento bajo la probabilidad objetiva). No obstante, sus
resultados "cuantitativos" deben considerarse como preliminares. El hecho de que, tal y
como se muestra en Escribano et al. (2002), el componente de salto sea
comparativamente menos importante en el NordPool (comparado por ejemplo, con el
mercado PJM) puede estar detrás de las diferencias en el comportamiento de la prima de
riesgo. Lucía y Schwartz (2002) consideran,como una línea de investigación interesante
la inclusión de saltos y / ó la posibilidad de prima de riesgo estacional. En este trabajo
tomamos esta línea propuesta tanto por Schwartz y Smith (2000) como por Lucía y
3 En el mercado PJM la demanda es mayor durante los meses de verano, y los precios también son más volátiles con saltos. Ver Escribano et al. (2002) sobre la estacionalidad del comportamiento de los saltos en este mercado.
91
Valoración de derivados: modelos bifactoriales con saltos
Schwartz (2002) Y mostramos la existencia de "asimetría estacional" bajo la
probabilidad objetiva, que puede trasladarse en "estacionalidad de la prima de riesgo".
Debe notarse, que al introducir el componente de salto somos capaces de discernir entre
primas de riesgo generadas por los componentes de largo y corto plazo así como la
prima de riesgo generada por la existencia de saltos. Parece razonable pensar, al menos
a priori, que los agentes participantes en el mercado reaccionan de forma diferente ante
diferentes tipos de incertidumbre. Nuestra especificación, por tanto, es más flexible que
la propuesta tanto por Schwartz y Smith (2000) como por Lucía y Schwartz (2002),
dado que permitimos que la prima de riesgo en contratos "forward" esté compuesta por
diferentes tipos de prima de riesgo.
Mientras que PJ y BL presentan evidencia empírica y argumentos teóricos sobre la
existencia y signo de la prima de riesgo en contratos "forward" eléctricos las
implicaciones prácticas para la valoración de otro tipo de derivados es más limitada. En
este trabajo presentamos un modelo que puede ser utilizado para la valoración de
derivados y es capaz de capturar las características más relevantes de las curvas
"forward" en el mercado PJM, documentadas por PJ, BL Y Longstaff y Wang4 (2002).
Es decir, nuestra especificación captura la estacionalidad en saltos (ver Escribano et aL,
2002) Y en primas de riesgo (ver Bessembinder y Lemmon, 2002 y Pirrong y
Jermakyan,2000).
El artículo está organizado de la siguiente forma. La sección 2 presenta los preliminares
matemáticos que nos permitirán obtener. fórmulas cerradas para la valoración de
contratos de futuros cuando el subyacente sigue un proceso de difusión con saltos. Esta
sección sigue la presentación de Duffie, Pan y Singleton (2000). La sección 3 presenta
4 Nuestro modelo y nuestros resultados preliminares también apoyan la hipótesis analizada por Longstaff y Wang (2000) según la cual "electricity forward prices are determined rationally by risk-averse economic agents".
92
Capítulo 3
la especificación de las variables de estado bajo la probabilidad objetiva. En la sección 4
presentamos la especificación bajo la probabilidad riesgo-neutro y presentamos las
fórmulas de valoración para los ocho modelos que presentamos en este trabajo. La
calibración y el comportamiento empírico de las curvas teóricas se presenta en la
sección 5. La última sección concluye y presenta posibles extensiones y líneas de
investigación futuras.
3.2 RESULTADOS MATEMÁTICOS PRELIMINARES
La existencia de saltos en los mercados eléctricos desregulados en casi todos los países
que han creado un mercado eléctrico mayorista, muestra la importancia de introducir
estos saltos en un modelo de valoración de derivados. Es decir, para poder obtener
estimaciones precisas de los precios de estos contratos contingentes, debemos ir más
allá del supuesto de incertidumbre generada por modelos de difusión y debemos
modelizar el vector de variables subyacentes mediante procesos de difusión con saltos.
Un supuesto que ha demostrado ser muy útil en la literatura financiera es el suponer que
el vector estado X sigue un proceso de difusión afín con saltos ("affine jump-diffusion
process", AJD). Un AJD es un proceso en el cuál el vector de deriva, la matriz
"instantánea" de varianzas - covarianzas y las intensidades de los saltos, todos tiene una
dependencia afín (lineal) en el vector de variables estado. Estos procesos han sido
recientemente sintetizados y extendidos en Duffie, Pan y Singleton (2000) (DPS de aquí
en adelante), véase también Chacko y Das(2002). Procesos de difusión afines (AD) y
procesos de difusión afines con saltos (AJD) son bastante útiles a la hora de modelizar
las variables de interés por varias razones. DPS han mostrado la relación entre la
estructura de este tipo de modelos y algunos tipos de transformadas (Fourier), y como a
93
Valoración de derivados: modelos bifactoriales con saltos
partir de estas transformadas podemos obtener los precIOS de contratos derivados5.
Nosotros proponemos un modelo bifactorial con saltos para modelizar la evolución de
precios "spot" en mercados eléctricos desregulados.
3.2.1.- Procesos de difusión afines con y sin saltos.
Modelizamos la evolución de las variables de estado subyacentes mediante
procesos de difusión afines con saltos, en esta subsección seguimos la presentación de
Duffie, Pan y Singleton (2000), ver también Chacko y Das (2002) y Piazzesi (2002).
Fijemos un espacio de probabilidades {Q,F,P} y la filtración (Ft) = {Ft : t ¿ O}, Y
supongamos un proceso de Markov .x; en un espacio D E fJlll, modelizado mediante la
siguiente ecuación diferencial estocástica:
(1)
donde W; es un Browniano F¡-estándar en fJlll, y donde p(): D ---¿ fJlll Y a(): D ---¿ fJlll
son respectivamente la función de deriva y de difusión, y JdN(J.,) es un proceso de salto
puro con intensidad {A(Xt): t ¿ O}, y donde el tamaño del salto viene dado por la
distribución J en fJlll. Intuitivamente, p() ya() son los términos de deriva y difusión
cuando no ocurren saltos en el proceso, y el término de salto captura los cambios
discontinuos del proceso, que tiene ocurrencia de llegada del salto y tamaño del salto,-
ambos estocásticos. Es decir, condicional en el camino seguido por X, los momentos de
ocurrencia del término de salto son los momentos de salto de un proceso de Poisson,
5 Heston (1993) introdujo el uso de Transformadas de Fourier en la valoración de derivados. Mostró como las fórmulas de valoración de opciones de compra pueden ser calculadas a través de la inversión de Fourier de la función característica condicional, que a su vez tiene una fórmula analítica para su modelo volatilidad estocástica.
94
Capítulo 3
con intensidad, que puede ser no constante, {A(Xs) : O~ s ~ t}, Y el tamaño del salto en
el momento de salto s' es independiente del vector de variables de estado hasta ése
momento {Xs: O~ s ~ s'} y tiene distribución de probabilidad J.
Siguiendo Duffie, Pan y Singleton (2000) imponemos una estructura "afin" en las
funciones Ji, 0'0" Y .íL Siguiendo la notación de DPS tenemos:
p(x) = Ka + K¡ ·x (la)
(a(x)O'(x) Jij = (Ho)ij +(H¡)ij ·x (lb) .
A(X) = lo + l¡ox (lc)
R(x) = Po + p¡Ox (ld)
(Po, PI) E 91 x 91n. Sea 6(c) = f~1n exp{coz} dv(z), la transformada ("jump-transform")-
de la distribución6 del tamaño del salto. La función 6(.) determina completamente la
distribución del tamaño del salto. En este trabajo asumimos tipos de interés constante
((P¡ = O en la ecuación (ld)), y por tanto los precios de futuros son iguales a precios
"forvvard". Sea S == (K, H,l ,e, p), S captura tanto la distribución del vector de procesos
X como los efectos de descuento y determina la transformada7 'Ys : en x D x 91+ x91+ ~
e de XT condicionada a la correspondiente filtración en t Ft, t ~ T, donde
6 Sea v la distribución del tamaño del salto y sea g(z) la correspondiente función de densidad, entonces, e == f exp(cz) dv(z) = f exp(cz) g(z) dz. Por tanto, e es la función característica de la distribución del tamaño del salto. Dado que en este trabajo vamos a suponer que el tamaño del salto viene dado por una distribución Gaussiana ó por una distribución Exponencial, e será la función característica de una distribución Gaussiana ó Exponencial dependiendo de los supuestos particulares de cada modelo. 7 En el marco general de DPS, u es un vector n-dimensional, que pertenece al conjunto de números complejos. A lo largo de este trabajo será necesario considerar u como un vector de números enteros. De hecho, a lo largo de este trabajo u será como mucho un vector bidimensional con 1 ó O en sus componentes.
95
Valoración de derivados: modelos bifactoriales con saltos
(2)
donde ES denota operador esperanza bajo la distribución de X determinada por S.
Nótese que la diferencia entre \.f's y la función característica condicional de la
distribución de XT es el factor de descuento.
Duffie, Pan y Singleton (2000) muestran que la estructura afin en (1) implica, bajo
condiciones de regularidad, que \.f'(.) tiene la forma exponencial-afin dada por:
0/8 (u,x,t, T) == ea (U,t,T)+[3(u,t,T}x
donde a y 13 satisfacen las ecuaciones de Riccati:
• 1 a = Po - K{J3(t) - - {J(t)T Ho{J(t) -lo (e({J(t»)-l)
2
fi(t) = PI - Kr {J(t) -l {J(t)T HI{J(t) -11 (e({J(t»)-l)
con las condiciones, {J(T) = u y a(T) = O .
(3)
(4)
Para los modelos basados en el logaritmo del precio mostramos que la fórmula para el
precio de futuros está determinada completamente por o/(u,X,t,1) con u = (1,1), (ver
Apéndice 3.A). No obstante, para los modelos basados en el nivel de precios hemos de
calcular una versión simplificada8 de la "transformada extendida" ("extended
transform") definida en DPS. De nuevo siguiendo la notación de DPS, definimos la
8 En nuestras aplicaciones el cálculo de la "transformada extendida" se simplificará ya que trabajaremos con v = (1,1) Y u = (0,0).
96
Capítulo 3
"transformada extendida" <Ds: 9tn x en x D x 9t+ x9t+ --* e de XT condicionada a la
filtración correspondiente en t F t , t ~ T, dada por
De nuevo, bajo condiciones de regularidad, incluyendo en este caso la diferenciabilidad
de la transformada del salto e, puede demostrarse que:
<DB(v,u,x,t,T) = 'f'B (u,x,t,T). (A(t) + B(t)· x) (6)
donde 'f's viene dada por la expresión (3) y donde A y B satisfacen las ecuaciones
diferenciales ordinarias lineales:
- B(t) = Kr B(t) + f3(t)H I B(t) + 11 V e(j3(t) )B(t)
- A(t) = KoB(t) + fJ(t)T HoB(t) + lo V e(j3(t»)B(t)
(7a)
(7b)
con las condiciones B(Y) = v y A(Y) = 0, y donde \16{c)es el gradiente de 6{c) con
respecto a c E en. En el Apéndice 3.A (ver ecuaciones A.l y A.2) mostramos la
conexión entre las expresiones (3) y (6) Y la fórmula de valoración para contratos de
futuros para los modelos basados en el logaritmo del precio y en el precio.
97
Valoración de derivados: modelos bifactoriales con saltos
3.3 ESPECIFICACIÓN DE LAS VARIABLES DE ESTADO BAJO LA MEDIDA
DE PROBABILIDAD EMPÍRICA.
Tal y como hemos comentado en anteriores seCCIOnes, proponemos dos
conjuntos de modelos dependiendo de si analizamos modelos basados en el nivel del
precio "spot" ó modelos basados en el logaritmo del precio. Tradicionalmente, los
modelos de precios de mercancías se han formulada en términos del logaritmo del
precio (ver por ejemplo Schwartz, 1997 y Schwartz y Smith, 2000). Consideramos que
en el caso de precios de electricidad, y debido la existencia de saltos, los modelos para
valoración de derivados sobre la electricidad deberían especificarse en niveles. La razón
estriba en que la transformación logarítmica afecta la estimación del componente de
salto, en particular en aquellos mercados en los que el salto es relativamente menos
importante, la transformación logarítmica puede afectar la estimación de los saltos. La
transformación logarítmica afecta a la asimetría de la serie (que en nuestro modelo
viene generada por el componente de salto). La evidencia empírica presentada por Lucía
y Schwartz (2002) y por Escribano et al. (2002) parece favorecer la especificación
basada en niveles. De hecho, Lucía y Schwartz (2002) encuentran que con los modelos
basados en el precio obtienen mejores resultados. Por otro lado, tal y como han
apuntado Bessembinder y Lemmon (2002) y Pirrong y Jermakyan (2000), la prima de
riesgo observada en los contratos con vencimiento en verano en el mercado PJM está
conectada con prima de riesgo por asimetría, es decir con prima de riesgo por saltó. Po~
tanto, podría darse el caso que en algunos mercados, si el analista utiliza series del
logaritmo del precio no sea capaz de capturar la estacionalidad en la asimetría ( o la
estacionalidad en saltos) de la serie en niveles. En cualquier caso, presentamos ambos
98
Capítulo 3
conjuntos de modelos y derivamos la fórmulas de valoración para los modelos basado
en el precio y para los basados en el logaritmo del precio.
Todas las especificaciones incluyen un factor determinista (función sinusoidal) que
intenta capturar la estacionalidad observada en los precios "spot" y en los precios de los
contratos de futuros. Ambos conjuntos de modelos, precio y log-precio, son modelos
bifactoriales con saltos. Tal y como hemos comentado, los dos factores se basan,
parcialmente, en la especificación inicialmente propuesta por Schwartz y Smith (2000).
La principal diferencia es que en nuestros modelos permitimos que el proceso de corto
plazo (con reversión a la media) incluya saltos (con la posibilidad de que la intensidad
del proceso sea no constante). Hemos analizado dos tipos diferentes de saltos
(distribución del tamaño del salto Gaussiano y Exponencial). Otra extensión ha sido
permitir dos especificaciones diferentes para el factor de largo plazo (Proceso
Browniano Aritmético y un proceso con Reversión a la Media).
Para cada subconjunto de modelos (nivel de precios ó logaritmo del precio) tenemos
cuatro modelos diferentes, que son el resultado de combinar las dos especificaciones
diferentes del componente de salto y las dos especificaciones para el factor de largo
plazo, en total presentamos ocho modelos. Por tanto, los modelos que proponemos
difieren entre ellos en tres características:
a) Variable relevante: Precio vs. Logaritmo del Precio
b) Distribución del tamaño de salto: Gaussiano vs. Exponencial
c) Factor de largo plazo: Movimiento Browniano Aritmético vs. Proceso de
Reversión a la media.
Las Tablas 1 y 2 resumen los modelos que analizamos.
99
Valoración de derivados: modelos bifactoriales con saltos
Tabla 1: Resumen de las especificaciones de las variables de estado relevantes
Precio / Log-Precio Modelo la Modelo lb Modelo 2a Modelo 2b
Factor Corto Plazo (X) Omstein- Omstein- Omstein- Omstein-
con Uhlenbeck Uhlenbeck Uhlenbeck Uhlenbeck
Componente de Salto: + + + +
intensidad estacional Tamaño Tamaño Tamaño Tamaño
distrib. tamaño: salto salto salto salto
Gauss./Exp. Gaussiano Exponencial Gaussiano Exponencial
Factor Largo Plazo Proceso Proceso Omstein- Omstein-
(nivel de equilibrio) : S Browniano Browniano Uhlenbeck Uhlenbeck
Aritmético Aritmético
Las especificaciones de las variables de estado de los dos primeros modelos (Modelo la
y Modelo 1 b) son las propuestas por Schwartz y Smith (2000) y Lucía y Schwartz
(2002) pero con saltos. En ambos artículos el primer factor captura los movimientos a
corto plazo y son modelizado~ con un proceso Omstein-Uhlenbeck (OU) mientras que
el segundo factor (nivel de equilibrio a largo plazo) es modelizado mediante un Proceso
Browniano Aritmético. Una de las principales contribuciones de este trabajo es la
introducción del componente de salto en el factor de desviaciones a corto plazo x.
Analizamos dos especificaciones diferentes para el componente de salto y permitimos
que la intensidad del proceso de Poisson sea no constante. Tomamos en cuenta dos
especificaciones diferentes, en los Modelos la y 2a suponemos que la distribucióÍl del
salto es Gaussiano mientras que en los modelos lb Y 2b permitimos que existan dos
tipos de saltos (ver también Deng, 2001), cada uno de ellos con la magnitud del salto
distribuida exponencialmente. El supuesto de Gaussianidad de la distribución del
tamaño del salto, impone simetría en la distribución del salto mientras que el supuesto
100
Capítulo 3
exponencial permite asimetría y separa saltos positivos y negativos. Schwartz y Smith
(2000) considera la inclusión de saltos como una posible extensión interesante para el
análisis de precios de electricidad, pero ningún trabajo, al menos que nosotros
conozcamos, ha seguido esa línea de investigación. Nuestro modelo general tiene en
cuenta desviaciones (corto plazo) del nivel de equilibrio y también permite desviaciones
importantes de muy corta duración en forma de saltos. A su vez dado que el proceso de
desregulación de los mercados eléctricos es reciente, podría existir cierta incertidumbre
acerca del nivel de equilibrio de los precios (amenazas de nuevos entrantes, posibilidad
de desintegración horizontal y vertical, riesgo regulatorio, ... ), que es capturada al
permitir que el nivel de equilibrio sea estocástico. Schwartz y Smith (2000)
originalmente asumIeron que el nivel de equilibrio seguía9 un proceso Browniano
Aritmético (ABM). Este supuesto introduce una tendencia (positiva ó negativa) en la
fórmula de valoración de contratos de futuros (ver Tablas 3 y 4). Hemos introducido un
supuesto alternativo, factor de largo plazo 10 con reversión a la media. Esta
especificación puede ser más interesante que el supuesto de ABM, originalmente
propuesto por Schwartz y Smith (2000) y utilizada también por Lucía y Schwartz
(2002). Mientras que la especificación ABM introduce tendencia determinista en las
fórmulas de valoración de los contratos de futuros (tanto en los modelos basados en el
nivel de precios como los basados en el logaritmo del precio), un nivel de equilibrio con
reversión a la media puede ser más útil para capturar aumentos o disminUCIones
transitorias (pero duraderas) del precio de equilibrio, que en el muy largo plazo acaba
9 Hemos de notar que Schwartz y Smith (2000) usan su modelo teórico para el análisis de contratos "forward" sobre el petróleo, y por tanto el supuesto sobre el factor de largo plazo puede ser diferente dependiendo de la mercancía que se analice. 10 Modelos con variable de equilibrio con reversión a la media han sido analizados en la literatura por Balduzzi et al. (1996, 1998 Y 2000) Y Jegadeesh y Pennachi (1996), en modelos con "tendencia central estocástica" para tipos de interés.
101
Valoración de derivados: modelos bifactoriales con saltos
convergiendo aun nivel de equilibrio medio. Por ejemplo, en aquellos sistemas en los
que la electricidad esté generada principalmente por recursos hídricos, durante años de
bajo nivel de reservas el nivel de equilibrio podría aumentar temporalmente durante
unos pocos meses debido al cambio en la estructura de coste en el lado de la oferta. Con
un nivel de equilibrio modelizado mediante un proceso con reversión a la media, no
forzamos al nivel de equilibrio a aumentar o disminuir de forma sistemática, sino que
permitimos que el nivel de equilibrio sea diferente durante algunos meses, si existe un
cambio temporal en la estructura de costes del mercado, debido por ejemplo a una
disminución en la capacidad de generación. Cual de las dos especificaciones (ABM ó
Reversión a la Media) es más correcta para un mercado concreto requiere una respuesta
empírica. Aunque la inclusión de un proceso de largo-plazo puede ser interesante en
algunas aplicaciones que deben tener en cuenta el comportamiento a largo plazo de los
precios de electricidad (por ejemplo valoración de opciones reales), debe notarse que un
factor de largo plazo (independientemente de la especificación que se use) no tendrá un
papel demasiado relevante en la valoración de contratos de futuros, que usualmente no
tendrán vencimiento más allá, en el mejor de los casos, de unos pocos años. Tal y como
Bessembinder y Lemmon (2002) apuntan (y muestran de forma empírica al menos para
el mercado PJM) la prima de riesgo en los contratos "forward" se debe a la asimetría
(gobernada en nuestros modelos por el componente de salto) de la distribución de
precios de la electricidad en vencimiento. (Puede demostrarse que la asimetría de la
distribución es generada principalmente 120r el componente de salto, por ejemplo
mediante la derivación de la función característica que pude ser calculada utilizando el
sistema de ecuaciones diferenciales ordinarias que hemos presentado en la sección
anterior).
102
Capítulo 3
Tabla 2: Resumen modelos teóricos bajo la medida de probabilidad objetiva (empírica).
Modelo Especificación Nivel Precio Especificación Log-Precio
Modelo la: SI = f(t) + XI +~I InSI = f(t) + XI +~I
* Corto plazo: OU dXI =-kxxldt+O"xdZx +J(JlJ,O"~)dTI(AI) dXI =-kxxldt+O"xdZx +J(JlJ,CT~)dTI(AI) * Salto: GaussÍano * Largo plazo: ABM d~ = fl¡;dt+O"¡;dZ¡; d~ = fl¿;dt+O"¿;dZ¡;
dZxdZ¡; = ¡xit dZxdZ¿; = ¡xit
Modelo 2a: SI = f(t) + XI +~t InSI = f(t) + XI +~I * Corto plazo: ou dXI =-kxXldt+CTxdZx +J(JlJ,O"~)dTI(AJ dXI = -kxXldt +CTxdZx +J(JlJ,CT~)dTI(AI) * Salto: Gaussiano * Largo plazo: MR d~ = k¿;(~ -~)dt + CT¡;dZ¡; d~ = k¿; (~ - ~)dt + CT¡;dZ¡;
dZxdZ¡; = ¡xit dZxdZ¡; = ¡xit
Modelo lb: SI = f(t) + Xt +~I InSI = f(t) + XI + ~I * Corto plazo: ou
dX¡ = -kxXldt + O" xdZ x + JI/ (r¡JdN(AI,I/) - J Ar¡JdN(AI,d) dXI = -kxXldt + O" xdZ x + JI/ (r¡u )dN(A¡,u) - J d (r¡d )dN(AI,d) * Salto: Exponencial * Largo plazo: ABM
d~ = fl¡;dt + O"¡;dZ¡; d~ = fl¡;dt + O"¡;dZ¡;
dZxdZ¡; = ¡xit dZxdZ¡; = ¡xit
Modelo 2b: SI = f(t) + XI +~I InSI = f(t) + XI + ~I * Corto plazo: ou
dXI =-kxXldt+CTxdZx +JJr¡JdN(AI,,J-JAr¡JdN(AI,d) dXI =-kxXtdt+CTxdZx +JI/(r¡JdN(At,J-JAr¡JdN(AI,d) * Salto: Gaussiano * Largo plazo: MR
d~ = k¡; (; -~)dt + O"¡;dZ¡; d~ = k¿;{l; -~)dt+CT¡;dZ¡;
dZxdZ¡; = ¡xit dZXdZ¡; = ¡xit
103
Valoración de derivados: modelos bifactoriales con saltos
3.4 PROCESOS RIESGO NEUTROS Y VALORACIÓN
En todos los modelos que hemos propuesto en la sección anterior existen cuatro
fuentes de incertidumbre, aquellas generadas por factores de difusión (incertidumbre en
el corto plazo y a largo plazo) y dos fuentes de incertidumbre generadas por el
componente de salto. El riesgo de salto está compuesto por riesgo de intensidad del
salto ("jump intensity risk") y por el riesgo de tamaño de salto ('jump size risk"). Los
parámetros riesgo-neutros ll vienen dados por tanto, por (q; x' q;¡;, J.: , Ji ~ ). La falta de
liquidez en los mercados "forward" eléctricos implican que los contratos "forward"
observables son aquellos con vencimientos menores. Por tanto, en este punto de
desarrollo de los contratos de derivados sobre electricidad, los componentes más
importantes para la valoración de contratos "forward" son el precio de riesgo de corto
plazo (q;x) y la prima de riesgo por salto (X, Ji ~ ). Si nos centramos en los precios de
riesgo de salto, podemos permitir que el tamaño medio del salto bajo la probabilidad
riesgo-neutro Ji~ sea diferente al parámetro correspondiente bajo la probabilidad
objetivo (generadora de los precios "spot") JiJ' Y por tanto al permitir que Ji~ pueda ser
diferente a Ji J estamos incorporando una prima de riesgo por tamaño de salto. Por otro
lado, también podemos incorporar una prima por "riesgo de ocurrencia de salto"
('jump-timing risk"), si permitimos que el parámetro A;, que gobierna la probabilidad
de ocurrencia de salto bajo la probabilidad riesgo-neutro, sea diferente al parámetro Al:
Por tanto, diferencias entre JiJ y Ji ~ Y entre Al y A;, serán una medida de prima de
riesgo que el mercado demanda por soportar el riesgo generado por los componentes del
proceso de salto. En este trabajo hacemos el supuesto simplificador (ver también Pan,
11 Bajo la probabilidad empírica (u objetiva), l/Jx = l/Ji¡ = 0, el proceso de intensidad (probabilidad de ocurrencia de saltos) viene dado por Al y el tamaño medio del salto es JlJ.
104
Capítulo 3
2002) de considerar que toda la prima de riesgo por salto es capturada por la prima
asociada al tamaño del salto, y por tanto estarnos suponiendo A.; = A.¡. Una vez hemos
especificado los modelos bajo la probabilidad riesgo-neutro, debernos aplicar el análisis
de transformadas para obtener los precios de los contratos de futuros sobre electricidad.
En las Tablas 3 y 4 se presentan las especificaciones de los modelos bajo la
probabilidad riesgo-neutro y las fórmulas de valoración para los modelos en nivel de
precios y en logaritmo del precio, respectivamente. Presentamos parte de las
derivaciones de las fórmulas de valoración de forma detallada en el Apéndice.
105
Valor.1ción de derivados: modelos bifactoriales cen saltos
Tabla 3: Resumen modelos teóricos y formulas valoración. Especificación Nivel Precio. Modelo Especificación Riesgo Neutro Fórmula Valoración Futuros
Modelo la SI = j(t) + XI +;1 F(t,T,SI) = jeT) +(p;; -~;; ~- ~~(I-e -kx') * Corto plazo: OU
* Salto: Gaussiano dXI =-(kxXI +~Jdt+O"xdZ; +J(Ji~,O"~)dI1(AJ * Largo Plazo: ABM x
d; = (Ji;; -~;; }:tt + O" ;;dZ; * +e-kx' XI +;1 +AT ~J_(I_e-kx')
dZ;dZ; = ¡xlt x Modelo 2a SI = j(t)+ XI +;1 () -* ( -kr) ~ X ( -k , ) * Corto plazo: OU F t,T,SI =j(T)+; l-e < --k l-e x * Salto: Gaussiano dXI = -(kxXI + ~x)dt +O"xdZ; + J(Ji~,O"})dII(AI) * Largo plazo: MR
+e-kx'XI +e-k?T;1 +AT ~; (l_e-kx') d; = k;; (~* - ;)dt + O";;dZ;
dZ;dZ; = ¡xlt x
Modelo lb SI = j(/) + XI +;1 F(t,T,SJ = jeT) + (p;; -~;; ~ - _~x (1- e -kXT ) * Corto plazo: OU
dXI = -(kxXI + ~x)dt + O"xdZ; + J,:(1],: }iII(AI,u) - J; (1]; }lII(AI,d) * Salto: Exponencial * Largo plazo: ABM x
d; = (p;; -~;; }:tt + O";;dZ; * -kx' ; ¿ A (1 -kr )1]i +e XI + 1 + i,T -e --
dZ;dZ; = ¡xlt i=up,down k x
Modelo 2b SI = j(t) + XI +;1 () -*( -kT) ~x ( -kr) * Corto plazo: OU * Salto: Exponencial dXt = (-kxXI + ~Jdt + O" xdZ; + J,;(1],: }iII(AI,,J - J; (1]; }iII(AI,d)
F t,T,SI =j(T)+; l-e ? -le l-e x
* Largo plazo: MR x * d;=k;;(~' -;)dt+O";;dZ; -kx' -k?, ; ¿ A (1 -kr ) 1]i +e XI +e t + i,T -e---
dZ;dZ; = ¡xlt i=up,doW1/ kx
106
Capítulo 3
Tabla 4: Resumen modelos teóricos y formulas valoración. Especificación Log-Precio. Modelo Especificación Riesgo Neutro Fórmula Valoración
Modelo la: InSI = f(t) + XI +;1 (~ " *Corto plazo: OU x -k , • tJ .; T tJ X -2k , F;a(T,SI)=exp !(T)-k-[l-e ']+,u.;T+-2-+ 4i-[I-e x]
*Salto: Gaussiano dXI =-(kxXI +tPx)dt+O"xdZ; +J(,u~,O"~)dI1(AI) * Largo plazo: ABM x x
d;1 = (,u¿; -tP¿;)dt+O"¿;dZ; tJ x tJ .; P [ -k , ~ -k , ) + -k-- 1 - e x ';1 + e xXI + B (T)
dZ;dZ; = pdt x
B( )-A f( (. -k,(T-s) ! 2 -Zkx(T-S))_l)d T - T exp,u Je + tJ Je s I 2
Modelo 2a: lnSI = f(t) + XI +';1 [ ~,[ -"1'["'1 a;[ -"'1 *Corto plazo: OU *Salto: Gaussiano dXI = -(kXXI + rPx)dt + tJxdZ; + JC,u~,u~)dD(A,) F2a (t,T,SI)=exp f(T)- k l-e ' +.; l-e +4k-1-e x
*Largo plazo: MR x x d'; = k.;(q* -';)dt + u.;dZ;
a; [1 -"" ~ a p, p [1 -<',+v 1 -k,' -'<' S' + B( ) J dZ;dZ; = ¡xlt +- -e--- -e +e x+e T
4k.; kx + k.; ,
Modelo lb: lnSI = f(t) + XI +';1 [ ~ , , *Corto plazo: OU x -kx' UI; T a x -2kx' *Salto: Exponencial dXI = -(kxXI + rPx)dt+axdZ; +JI:('lI:~CAu,t) -J(~('l; }mCA,,) F;h(t,T,S,)=exp fCT)-k-:-[l-e ]+C,u¡; -rP¡;)r+-2+4-k~ [l-e ]
*Largo plazo: ABM d';l = (,u.; - rP.; )dt + a¡;dZ;
<T ,"-,P [ ',' 1 -',' } L A-, , [ry;, exp( -k, rH 1 dZ;dZ; =¡xlt
+- - l-e ' +';1 +e X, +C(r) ,C(r)=-- In ---'.----kx hif"doWII kx 'lJ,; -1
Modelo 2b: ¡nSI = f(t) + X, +;1 ( ~, [, 'l -, [ -k., 1 ,,-; [u, 1 *Corto plazo: OU dXI = -CkxXI + rPx )dt + uxdZ; + J~('ll: }m(AuJ - J(~('l(~ }meAd"~ FZb(t,T,SI)=exp f(T)--I-e y. +.; l-e ' +-l-e x
*Salto: Exponencial kx 4kx *Largo plazo: ABM
d; = k.; (e - ;)dt + u .;dZ; a; [1 -"., ~ ,,-,"-, P [1 -<','k.), 1 -'"k., 1; ce) 1 dZ;dZ; = pdt +- -e ' -e' +e x+e' + T
4k¡; kx + k.; ,
107
Valoración de derivados: modelos bifactoriales con saltos
Nos vamos a centrar en el Modelo la (especificación nivel de precios) con
mayor detalle para exponer con mayor facilidad las fónnulas de valoración, sus
implicaciones sobre el comportamiento de la prima de riesgo y para el análisis empírico.
Modelo 1 a (Nivel de Precios)
Factor de corto plazo con reversión a la media y tamaño de salto Gaussiano + Nivel
de equilibrio Browniano Aritmético
Por motivos de exposición presentamos de nuevo el Modelo 1 a (nivel de
precios) bajo la medida de probabilidad empírica (objetivo). Es decir, en este modelo
suponemos que el precio de la electricidad sigue la siguiente especificación:
SI = f(t)+ XI +c;l dX= -kxXdt +crxdZx +J(J1J ,crJdII(.tJ d~ = J:l¿;dt+cr¿;dZ¿;
dZxdZ¿; = pdt
(8a)
En palabras, el precio de la electricidad viene dado por tres componentes. El primero es
una función detenninista estacional (por ejemplo modelizada mediante funciones
sinusoidales o "dummies"), el segundo y el tercer componente son variables de estado
no observables. X captura los movimientos de corto plazo del precio de la electricidad,
es un proceso con reversión a la media y saltos. La probabilidad de ocurrencia de los
saltos viene dado por Ato y dada la ocurréncia de un salto el tamaño del salto viene
generado por una distribución Gaussiana, con media J1J y desviación estándar crJ.
Finalmente, ~ representa el nivel de equilibrio de largo plazo, y en esta especificación
viene dado por un ABM.
108
Capítulo 3
Para la valoración de derivados, hemos de utilizar procesos bajo la probabilidad riesgo
neutro para describir la evolución de las variables de estado. En nuestro modelo hemos
de introducir dos parámetros adicionales rfJx y rfJ~ que suponen reducciones constantes en
los procesos de deriva de cada uno de los procesos. Además, el tamaño medio del salto
(¡JJ) y la probabilidad media de observar un salto (A) pueden ser diferentes bajo la
medida de probabilidad riesgo-neutro. Tal y como hemos comentado previamente
suponemos que la intensidad del proceso bajo la medida de probabilidad objetivo y bajo
la medida de probabilidad riesgo-neutro son iguales, por tanto, toda la prima de riesgo
por salto será capturada "artificialmente" por la prima de riesgo asociada al tamaño del
salto.
Específicamente, bajo la medida de probabilidad riesgo neutro el proceso estocástico
viene dado por:
St = f(t) + Xt +e;t
dX = -(kxX +rfJx}it + (Jx dZ; + J(fl~ ,(JJ }tn(At )
de; = (flq -rfJq}it + (JqdZ;
dZ;dZ; = ¡xlt
(8b)
donde rfJx y rfJ~ son el precio de riesgo de mercado correspondiente a incertidumbre en el
corto plazo y a incertidumbre de largo plazo, respectivamente. Suponemos que aD1bos
son constantes 12. fl~ es el tamaño medio del salto bajo la medida de probabilidad
riesgo-neutro. Tal y como hemos comentado con anterioridad, captura la compensación
requerida por los agentes por soportar el riesgo de salto (dado que hemos hecho el
12 Especificaciones alternativas podrían incluirse, mientras se satisfagan las condiciones de los modelos afines. En particular podríamos suponer que son lineales en las variables de estado.
109
Valoración de derivados: modelos bifaáoriales con saltos
supuesto simplificador de que no existe compensación por riesgo de probabilidad de
ocurrencia (intensidad del proceso dePoisson) de salto.
A partir de la metodología (resolución de sistema de ecuaCIOnes diferenciales) que
hemos presentado con anterioridad (ecuaciones 7a-7b, sección 2, con u = (0,0) y v =
(1,1)), el precio de los contratos de futuros bajo este modelo viene dado por la siguiente
ecuación (presentamos la derivación más detallada en el Apéndice):
(9)
donde r = T - t , Y Ji; = Jiq - rjJq y AT representa la función de intensidad del salto, y
está compuesta por cuatro "dummies" estacionales (otoño, invierno, primavera y
Podemos comprobar que el precio del contrato de futuros está compuesto por cuatro
componentes. El primer término f(T) está relacionado con el comportamiento estacional
(determinista) de los precios de electricidad, segundo componente el captura las primas
de riesgo de la incertidumbre a corto· y largo plazo, y viene determinado por la
expresión Ji; r - rjJ x (1- e -kx, ), el tercer componente captura las desviaciones de corto kx
plazo y el nivel de equilibrio (e -kx, XI + ~t) Y el último témiino captura el componénte de_
salto.
13 "invierno" es una variable "dunnny" que toma el valor 1 si la observación es en Diciembre, Enero o Febrero y cero en el resto de meses; "primavera" toma el valor 1 si la observación es en los meses de Marzo, Abril o Mayo y cero en el resto de meses; "verano" toma el valor 1 si la observación es en Junio, Julio O Agosto y cero en el resto de meses; "otoño" toma el valor 1 si la observación es en los meses de Septiembre, Octubre o Noviembre y cero en el resto de meses.
110
Capítulo 3
Bessembinder y Lemmon (2002) predicen que en los mercados eléctricos la prima de
riesgo14, posiblemente estacional, debería estar relacionada con la asimetría de la
variable subyacente. En particular, cuando el riesgo de demanda es bajo (y por tanto
baja asimetría) la prima de riesgo debería ser negativa (ó cercana acero) mientras que
durante períodos de riesgo alto de demanda (alta asimetría en la distribución del precio
"spot") la prima de riesgo debería ser positiva. Nótese que efectivamente en nuestra
fórmula de valoración este patrón puede capturarse, dada la relación entre saltos y
asimetría de la distribución del precio. Durante períodos donde la probabilidad de saltos
es cero (ó en situaciones con Ji ~ ~ Ji J)' la prima de riesgo vendrá determinada
principalmente por ifJx. Dada la evidencia empírica presentada por Bessembinder y
Lemmon (2002), Pirrong y Jermakyan (2000) para el mercado PJM, nuestro modelo es
capaz de replicar este patrón si ifJ x < O Y Ji ~ > Ji J. Esta situación implicaría que los
productores están dispuestos a vender a futuro mediante contratos de futuros con
vencimiento en períodos con baja asimetría, es decir, baja probabilidad de ocurrencia de
saltos, mientras que existiría una importante prima de riesgo por salto en los otros
períodos, por tanto los distribuidores estás dispuesto a comprar a futuro aunque tengan
que pagar una prima de riesgo importante.
Al obtener una fórmula analítica para el precio de futuros también somos capaces de
derivar una fórmula explícita para la prima de riesgo. En particular, el valor esperado de
Sr en t bajo la medida de probabilidad objetivo (P) viene dada por la siguiente
expresión:
14 La Prima de Riesgo (RP¡) se defme como la diferencia entre el precio actual de futuros y el precio esperado en vencimiento, ie. RP¡ = F(t, T,S) - E/ (Sr), donde el operador esperanza es bajo la medida de probabilidad objetivo.
111
Valoración de derivados: modelos bifactoriales con saltos
EP(Sri~)= J(T) + f.1~r+ e -kx, XI + C;I + Ar ~~(1- e -k
x')
X
y por tanto podemos obtener una fórmula explícita para la prima de riesgo bajo el
Modelo la, y podemos comprobar la estrecha conexión entre prima de riesgo y
asimetría. Si la asimetría es estacional (a través de la asimetría en saltos) obtendremos
estaciona1idad en primas de riesgo (RPt). Es decir,
Ha de notarse que la primera parte de la fórmula (¡l, T + ~: (1 - e -k,' )}orresponde a la
parte de prima de riesgo "difusivo", variable de corto y largo plazo. Este es el tipo de
prima de riesgo que puede ser generada con los modelos propuestos por Schwartz y
Smith (2000) Y Lucía y Schwartz (20002). Debe notarse que estos modelos no pueden
generar estaciona1idad en la prima de riesgo. Por tanto, estos modelos no pueden
generar el patrón de la prima de riesgo predicha por Bessembinder y Lemmon (2002) si
la asimetría es no constante. El último término de la ecuación, A,- (.u ~ k~.u J )1 -e -k,' ) es
el que corresponde al efecto de los saltos, y es una de las principales contribuciones de
este trabajo. Por tanto, con nuestra extensión somos capaces de generar estacionalidad
en la prima de riesgo tal y como· predicen Bessembinder and Lemmon (2002).
Resumiendo, la estaciona1idad en la prima de riesgo, tal y como establecen en su
112
Capítulo 3
modelo Bessembinder y Lemmon (2002), está generada a través de "prima de riesgo por
asimetría"
En la siguiente sección presentamos el análisis empírico y mostramos el tipo de
curvas "forward" que puede generar nuestro modelo. Hemos de decir que la sección
empírica es preliminar. En la parte empírica del trabajo hemos estimado los parámetros
a partir de datos de precio "spot" siguiendo la metodología propuesta por Escribano et
al. (2002), y hemos calibrado los parámetros riesgo-neutros a partir de datos de precios
de contratos "forward".
3.5 APLICACIÓN EMPÍRICA MERCADO PJM: DATOS "SPOT" y
"FORW ARD".
En esta sección presentamos una aplicación empírica con datos del mercado
PJM (Pennsylvania - New Jersey - Maryland). El objetivo de esta sección es presentar
el comportamiento de la curvas "forward" generadas por nuestros modelos, en particular
bajo la especificación del Modelo la (nivel de precios). Por otro lado, también
mostramos como extraer parámetros riesgo-neutros a partir de contratos negociados, de
forma que estos parámetros pueden ser usados para la valoración de otro tipo de
derivados. También analizamos la importancia relativa de la prima de riesgo sobre el
precio observado de los contratos "forward".
El mercado PJM es uno de los mercados de electricidad más líquidos y desarrollados.
Además la creciente literatura sobre valoración de contratos "forward" sobre
electricidad se ha centrado mayoritariamente en este mercado (Bessembinder y
Lemmon, 2002; Longstaff y Wang, 2002; Pirrong y Jermakyan, 2000 entre otros). Un
análisis detallado del comportamiento de los precios "spot" de electricidad (bajo la
113
Valoración de derivados: modelos bifactoriales con saltos
medida de probabilidad empírica) para este y otros mercados se ha realizado en
Escribano et al. (2002).
En el Apéndice 3.A.2. presentamos algunas estadísticas descriptivas de la serie de
precios y de lag-precios. También presentamos el gráfico de las series y la distribución
incondicional empírica de la serie de precios. Una de las primeras conclusiones que
pueden obtenerse, y analizadas en detalle en Escribano et al. (2002) es la importancia de
los saltos en el mercado PJM. Podemos observar el alto grado de asimetría, que es
generado por la existencia de observaciones extremas (saltos) que son bastante
importantes en este mercado. También podemos observar a partir de los gráficos de las
series de precios que las observaciones extremas tienen un patrón estacional, y están
concentradas en los meses de verano, que son aquellos meses con un nivel de demanda
mayor. Volveremos sobre este punto con la estimación formal 'de la especificación
estacional (a través de "dummies" trimestrales) para Ah de nuevo pueden consultarse los
resultados presentados por Escribano, Peña y Villaplana (2002).
Disponemos de datos "spot" y datos "forward" para el período Enero 1997 - Marzo
2000. Los datosl 5 han sido obtenidos a través de Bloomberg. Este período muestral es
similar al período analizado por Bessembinder y Lemmon (2002) y Pirrong y
Jennakyan (2000) y nos permite comparar nuestros resultados con los obtenidos por
estos autores.
15 Agradecemos a Miguel Artola habemos facilitado los datos "forward".
114
Capítulo 3
3.5.1.- Procedimiento de estimación y resultados.
El procedimiento de estimación se ha realizado en dos pasos:
a) estimar el proceso bajo la medida de probabilidad empírica a partir de
precios "spot" para el período Enero 1997 - Diciembre 1998 (también hemos
estimado el proceso con la submuestra Enero 1998 - Diciembre 1998).
b) estimar el resto de parámetros (bajo la medida de probabilidad riesgo neutro)
con datos "forward" para el período Enero 1999 - Marzo 2000.
Presentamos los resultados para el Modelo la (nivel de precios). Hemos estimado el
modelo siguiendo la metodología propuesta en Escribano et al. (2002). De esta forma
obtenemos estimaciones de {¡(t),kx'O'x,At,f-LJ'O'J,f-Lq . El resto de parámetros
necesarios para obtener la curva "forward" son aquellos relacionados con los precios del
riesgo {tPx ,tPq ,f-L~ .
Con el primer conjunto de parámetros (aquellos que no varían bajo la probabilidad
objetivo y bajo la probabilidad riesgo neutro), podemos calcular el precio esperado
(bajo la probabilidad objetivo) en vencimiento (por ejemplo imponiendo tPx = tPq = O Y
f-L ~ = f1 J en la fórmula del precio). Por tanto, podemos analizar el comportamiento de la
prima de riesgo de una forma más precisa y clara. En otras palabras, con los parámetros
estimados calculamos el precio del contrato de futuro bajo la probabilidad objetivo (es
decir, asumiendo ausencia de prima de riesgo). Por tanto, podemos mostrar como la
prima de riesgo afecta el comportamiento de la curva "forward", y mostramos como
efectivamente nuestro modelo captura las características principales presentadas en
Bessembinder y Lemmon (2002) y Pirrong y Jermakyan (2000). Además, nuestro
modelo es más sencillo de estimar y es útil para extraer la prima de riesgo y la
valoración de opciones Europeas (a través de la inversión de la función característica).
115
Valoración de derivados: modelos bifactoriales con saltos
Presentamos una tabla resumen con los parámetros estimados. No presentamos las
parámetros correspondientes a la función estacional f(t) , aunque en el Apéndice AA se
presentan resultados de la estimación más detallados.
Tabla 5. Resumen de los parámetros 10 estimados con datos "spot".
PJM (Enero 1998 - Dic. 1998) (t-valores en paréntesis)
kx O'x Asummer J.1J O'J
0.73 7.61 0.17 68.57 78.27
(8.85) (32.81) (3.19) (1.86) (3.07)
A partir de los resultados de la estimación, hemos obtenido J.1~ no es estadísticamente
significativo. A partir de la representación gráfica de los precios podemos comprobar
que efectivamente no parece existir ninguna tendencia clara (con pendiente positiva ó
negativa) y por tanto el precio de equilibrio permanece aproximadamente constante
durante el período analizado. También podemos observar como la probabilidad de
observar saltos es únicamente significativa en los meses de verano. Finalmente,
podemos comprobar como el parámetro de reversión a la media es alto (rápida
reversión a la media), dado que kx es 0.7 esto implica que la duración de los "shocks" es
de aproximadamente un día. Este resultado es consistente con los obtenidos por Pirrong
y Jermakyan (2000). Estos autores en su análisis calculan la reversión a la media.de la
demanda de electricidad mediante datos horarios y encontraron que la vida media de los
"shocks" de demanda era de 1 O horas.
Con los parámetros estimados a partir de los datos "spot", realizamos el segundo paso.
16 Aunque el proceso de intensidad se ha especificado con "dummies" trimestrales, podríamos usar una especificación más detallada, por ejemplo mediante "dummies" mensuales para diferenciar entre los meses de verano.
116
Capítulo 3
Estimamos el resto de parámetros a partir de datos diarios de contratos "forward" a un
mes, para el período Enero 1999 - Marzo 2000. Dado que el parámetro fL; no es
estadísticamente significativo y dado que únicamente disponemos de contratos con un
único tipo de vencimiento (1 mes) hemos impuesto rfJ¡; = o.
Hemos realizado la estimación para dos especificaciones diferentes del tamaño medio
del salto bajo la probabilidad riesgo-neutro, Ji ~. En la primera de ellas (especificación
A) el parámetro es constante mientras que en la especificación B permitimos que sea
estacional. En concreto permitimos que el tamaño medio del salto bajo la probabilidad
riesgo-neutro sea diferente para los contratos con vencimiento en Junio, Julio y Agosto,
a través de esta simple especificación,
• • DMay • DJune
• D Ju'y fL J = fL J,May • + fL J,June • + fL J,July •
donde Di es una variable "dummy" que toma el valor 1 si la observación está en el
i-ésimo mes y cero en el resto.
La estimación se ha realizado minimizando el error cuadrático entre el precio "forward"
observado y el precio generado por el modelo.
117
Valoración de derivados: modelos bifactoriales con saltos
Los resultados se presentan en la siguiente tabla resumen:
Tabla 6. Parámetros Riesgo-Neutros estimados.
Parámetro tPx * * * * Suma Residuos JlJ JlJ,May JI J,Julle JlJ.July
(error estándar) al Cuadrado
Especificación A -2.34 174.18 - - - 18917.87
(0.39) (5.17)
Especificación B -2.14 - 67.89 198.25 204.47 5709.00
(0.20) (4.29) (4.10) (4.19)
A partir de estos resultados observamos que los contratos "forward" contienen una
prima de riesgo con patrón estacional en el mercado P JM. Durante todos los meses
(exceptuando los meses de verano) el sesgo de los precios "forward" es positivo pero
pequeño, mientras que en los contratos "forward" con vencimiento en verano el sesgo es
mucho mayor. Este sesgo, ó prima de riesgo está concentrado en los meses que tienen
con vencimiento en Julio y Agosto. También podemos observar que el tamaño de esta
prima de riesgo es importante en los contratos con vencimiento en verano, es decir la
prima de riesgo por salto es uno de los principales determinantes de los precios
"forward" con vencimiento en verano. Concretamente, podemos calcular de forma
explícita la importancia relativa de la prima de riesgo por salto ('jump risk premium") a
partir de la ecuación (lO) y los resultados presentados en la Tabla 5 y 6. A partir de los
valores estimados para los parámetros, podemos comprobar como la prima de riesgo por
118
Capítulo 3
salto representa el 40% del precio del "forward" para los contratos Junio y Julio (es
decir para aquellos contratos con vencimiento en Julio y Agosto).
Podemos ver a partir de la Figura AA.l, nuestro modelo es capaz de replicar el
comportamiento observado del precio de los contratos "forward" a un mes del mercado
PJM. Durante los meses en que existe una probabilidad positiva de observar un salto, la
prima de riesgo es relativamente más importante, por tanto los distribuidores (es decir,
aquellos agentes que están expuesto al riesgo de saltos en los precios) están dispuestos a
comprar "forward", por tanto existe una presión de demanda sobre esos contratos que
hace que el precio de los mismos aumente hasta que el mercado de derivados se vacía.
Un punto interesante es que los precios generados por nuestro modelo son mucho más
suaves (con menos oscilaciones) que los observados en el mercado. Para analizar este
punto hemos calculado los precios de los contratos "forward" generados por nuestro
modelo pero imponiendo una reversión a la media mucho menor, en particular hemos
impuesto k = 0.15. Tal y como puede comprobarse en la Figura A.4.2, el patrón de los
precios "forward" generados por el modelo y los observados en el mercado son más
parecidos. Existen dos posibles explicaciones para este resultado. Por un lado, puede
argumentarse que los agentes del mercado sobreestiman la persistencia de los "shocks"
en el mercado "spot". Este argumento es el considerado por Pirrong y Jermakyan
(2000). Dado que estamos analizando un mercado inmaduro, podría pensarse que este
comportamiento desaparecería con el paso del tiempo y los agentes aprenderían que los
"shocks" en el mercado "spot" desaparecen .en poco tiempo. Otro argumento alternativo
sería considerar la posibilidad de prima de riesgo "difusiva" variable en el tiempo
("time varying diffusive risk premium"). Hemos impuesto que el precio de del riesgo de
corto plazo (rfJx) es constante, pero el modelo puede extenderse y permitir que esta prima
119
Valoración de derivados: modelos bifactoriales con saltos
de riesgo sea una función lineal de las desviaciones de corto plazo, esto introduciría un
grado de libertad adicional en la fórmula de valoración, que podría capturar el hecho de
que los precios "forward" sobrereaccionan a los "shocks" del mercado "spot".
Pensamos que es necesario más trabajo en esta dirección para poder concluir si el
comportamiento de los precios "forward" es debido a la sobreestimación de la
persistencia ("persistence overestimation") ó al hecho de que el precio del riesgo sea no
constante ("time varying risk-premium"). Cual de las dos posibles explicaciones está
detrás del comportamiento observado en los precios "forward" del mercado PJM es una
cuestión abierta que requiere mayor investigación. Sin embargo hay que remarcar la
flexibilidad de nuestro modelo de valoración que permite analizar estas dos
posibilidades.
3.6 CONCLUSIONES Y POSIBLES EXTENSIONES
Hemos presentado un conjunto de modelos para la valoración de contratos de
futuros sobre la electricidad. Los modelos (especificados como modelos para el nivel de
precios ó para el logaritmo del precio) son extensiones del modelo de corto plazo / largo
plazo de Schwartz y Smith (2000). El artículo extiende la creciente literatura de
valoración de contratos con subyacente eléctrico tanto a nivel teórico como a nivel
empírico. Las principales extensiones son:
120
a) la introducción de un componente de salto
b) la introducción de una especificación alternativa para la variable de largo
plazo
c) la aplicación del modelo al mercado PJM
Capítulo 3
d) incorporar explícitamente (y presentar un método de estimación) prima
de riesgo por salto (''jump risk premium") como uno de los principales
determinantes de la prima de riesgo en el mercado PJM, capturando y
explicando su carácter estacional.
A su vez, extendemos los resultados del modelo de Bessembinder y Lemmon (2002) y
relacionamos sus resultados con el comportamiento estacional observable del
componente de salto (que genera asimetría no constante) y la prima de riesgo por salto.
Resumiendo, hemos presentado un nuevo conjunto de modelos, y una nueva fórmula de
valoración para contratos "forward" sobre electricidad. Una de las principales
contribuciones es la introducción del componente de salto. Dadas las características de
la electricidad como mercancía no almacenable, los saltos suponen un componente
importante en la evolución del precio de la electricidad en mercados spot y en la
formación de los precios "forward" en particular y de derivados financieros en general.
Concretamente hemos mostrado como la prima de riesgo por salto representa el 40% de
precio "forward" para contratos con vencimiento en los meses de verano. También
presentamos una sencilla metodología para obtener estimaciones para los parámetros
riesgo-neutros.
Dado que el modelo está especificado en el contexto de modelos (afines) de difusión
con saltos podemos utilizar los resultados obtenidos por Duffie, Pan y Singleton (2000)
para la valoración de opciones europeas, mediante la inversión de la función
característica.
Existen algunas posibles extensiones:
121
Valoración de derivados: modelos bifactoriales con saltos
Por un lado, podría extenderse la aplicación empírica del modelo a otros
mercados. Escribano et al. (2002) muestran que el componente de salto también juega
un papel importante en el comportamiento de los precios "spot" del NordPool. Lucía y
Schwartz (2002) aplican el modelo de Schwartz y Smith (2000) a derivados negociados
en el mercado escandinavo. Dado que Escribano et al. (2002) encontraron que los saltos
también es una característica importante de en el NordPool, parece una extensión
natural aplicar las nuevas fórmulas de valoración que hemos presentado en este trabajo,
para los datos del NordPool, donde probablemente se puede anticipar que mediante
nuestros modelos los resultados de valoración pueden ser mejores (menores errores de
valoración) que los obtenidos por Lucía y Schwartz (2002). Este es el objeto de una
línea de investigación que actualmente está siendo llevada a cabo.
Por otro lado, otra extensión interesante sería la inclusión de prima de riesgo
("difusiva") no constante ("time-varying diffusive risk premium"). Esta alternativa
puede ser interesante a la hora de analizar si los movimientos extremos de los precios de
los contratos "forward" se deben a la sobreestimación de la persistencia de los "shocks"
del mercado "spot" por parte de los agentes participantes en un mercado nuevo e
inmaduro ó se debe a prima de riesgo no constante. Esta línea de investigación también
se está desarrollando, pero entendemos que está más allá de los objetivos inmediatos de
este trabajo.
122
APÉNDICES CAPÍTULO 3
APÉNDICE 1: RELACIÓN ENTRE PRECIO DE FUTUROS Y
TRANSFORMADAS
Capítulo 3
En este Apéndice mostramos la relación entre las transformadas 'P(u,X,t,T) y
<l>(v,u,X,t,T) y el precio de los contratos de futuros. Mostraremos que 'I' y <l>
determinan completamente el precio de los contratos de futuros. Por tanto, en este
contexto calcular a fórmula de valoración es equivalente a resolver el correspondiente
sistema de ecuaciones diferenciales (ODEs), (4a-4b) y (7a-7b) dependiendo del
supuesto que hagamos sobre la evolución de la variables estado subyacentes.
Asumiendo que los tipos de interés son constantes, el precio de un contrato de futuros (ó
"forwards") con vencimiento en T es igual al precio esperado de la mercancía en T,
donde el operador esperanza se toma bajo la probabilidad riesgo-neutro. Por tanto, el
precio de un contrato de futuros en t, con vencimiento en T viene dado por la siguiente
expresión:
Podemos utilizar los resultados de DPS si la variable de interés es lineal en las variables
de estado. Tenemos dos conjuntos de modelos dependiendo si modelizamos el precio
"spot" (SI) Ó el logaritmo del precio (lag SI)' En ambos casos las variables de estado
entran de forma lineal en la especificación del precio ó el log-precio. De esta forma
tenemos:
123
Valoración de derivados: modelos bifactoriales con saltos
1.- Modelos para el logaritmo del precio: lnSt = Jet) + Xt +;1
En este caso podemos re-expresar el precio del contrato de futuros como función de \}':
F(t,T, S) = Etº (ST) = errE? (e- rr e1nS)' )= err E? (e-rr ef(T)+Xr+';r )=
= err+f(T) Etº(e-rr eU•x)' )= err+f(T)\}'(u,X,t,T)
(Al.1)
donde u = (1,1) Y X = ex, ;). Por tanto, para cada uno de los cuatro modelos que hemos
propuesto (Modelo lA, lB, 2A, 2B) hemos de derivar la correspondiente transformada,
dado que una vez hayamos obtenido su forma analítica podemos obtener de forma
inmediata el precio del futuro, ver Tabla 3 para la expresión exacta de cada una de los
fórmulas de valoración para cada modelo.
2.- Modelos para el precio spot: S, = Jet) + X, +;/
En este caso podemos re-expresar el precio de futuros como función de <1:>:
F(t,T,S)= Etº(ST) = JeT) + err Etº(e-rr (xT +;T ))= = J(T) +err<1:>(v,u,X,t,T)
(A 1.2)
donde en este caso v = (1,1), u = (0,0) y X = ex,;). Una vez más, como en el caso
anterior, para derivar las fórmulas de valoración para los cuatro modelos
correspondientes (ver Tabla 4) hemos de encontrar la correspondiente "transformada
extendida".
124
Capítulo 3
APÉNDICE 2: DERIVACIÓN DETALLADA FÓRMULAS DE VALORACIÓN.
APÉNDICE 2.1: MODELOS PARA LOG-PRECIO.
Modelo la (Logaritmo del Precio)
Variable Corto Plazo X: Proceso Reversión a la Media (OU) + Salto Gaussiano Variable Largo Plazo S: Proceso Browniano Aritmético (ABM)
Bajo la probabilidad riesgo-neutro el modelo viene dado por las siguientes expresiones:
lnSt = f(t)+ Xt +~t
dX = -(kxX+~x}it + ()x dZ; +J(,u~,()~ }lrr(AJ d~ = (,u¡; - ~¡; }it + () ¡;dZ;
En este modelo la transformada \fila viene dada por la expresión:
\fI¡a(u,(X,~),t,T)= exp(a(u,t,T) + f3Ju,t,T)X + j32(u,t,T)~)
donde a, j3I y j32 resuelven:
. f3¡ = - kxf3¡ ;j3¡ (T) = u¡ => f3¡ (s) = u¡ exp(-kx (T -s)) .
j32 = O;f32(T) = U 2 => f32(S) = U 2
donde
dado que tenemos las expresiones para f31 y j32 podemos resolver para obtener la
expresión para a:
125
Valoración de derivados: modelos bifactoriales con saltos
T
( ) _ Id. -k(T-S)d ( d. ) 1 2 2 a u,t --rT- 'f/xu¡e s+ JI¿;-'f/¿; U2T+2
G¿;U2 T I
T T T + ~- fG~u~e-2k(T-S)ds + Ju¡u
2GxG¿;pe-k(T-S)ds + f.t(BaC8J-l}1s
t t t
El último componente de la expresión captura el efecto del salto, el resto de
componentes se obtienen bajo un modelo sin salto. Por ello, vamos a centrarnos en este
componente. Bajo este modelo el tamaño del salto viene dado por una distribución
Gaussiana y por tanto, B a (c ) = exp( JI J • C +} G; . c), dado que el salto ocurre en la
variable de desviaciones de corto plazo X tenemos:
Por tanto, la expresión de la transformada en este modelo viene dada por:
donde
126
Capítulo 3
finalmente utilizando la relación entre 'l'la Y el precio del contrato de futuro, y la
definición del vector u = (1,1), obtenemos la fórmula de valoración correspondiente a
este modelo y presentada en la Tabla 4.
donde
127
Valoración de derivados: modelos bifactoriales con saltos
Modelo lb (Logaritmo del Precio)
Variable Corto Plazo X: Proceso Revers. a la Media (QD) + Salto Exponencial Variable Largo Plazo S: Proceso Browniano Aritmético (ABM)
Bajo la probabilidad riesgo-neutro el modelo viene dado por las siguientes expresiones:
lnSt = f(t) + Xt +;/ dX = -(kxX+ rfJx}it +o-xdZ; + J:(77: }m(AJ -J; (77; }m(Ad )
dS = (PI; - rfJl; }it + o-I;dZ;
dZ;dZ; = pdt
En este modelo la transformada tt'lb viene dada por la expresión:
donde a, Pi y P2 resuelven:
. p¡ =-kXp¡;p¡(T)=u¡ => p¡(u,s)=u¡ exp(-kx(T-s» .
pz = O;P2(T) = U2 => P2 (u,s) = U2
Como en el caso anterior, primero resolvemos para Pi y P2 Y reemplazamos en la
primera ecuación diferencial.
La expresión para a viene dada por:
El ultimo término se debe a la inclusión del componente de salto (distribución salto
Exponencial),
128
Capítulo 3
Para facilitar la exposición nos centramos en uno de los saltos.
Primero hemos de calcular 8b. En este caso la distribución del salto es Exponencial, sea
v(z) su función de distribución y f(z) su función de densidad, por tanto, f(z) = a e-a.z,
E(z) = l/a =7JJ
e == fexp(c. z)dv(z) = fexp(c. z)f(z)dz = 9l 9l
= feczae-azdz = a fe-z(a-c)dz = ~ = 1 = _1_ 9l 9l a - c 1-~ c 1- r¡ JC
a
Siguiente paso es calcular el término fA[8(.) - 1] ds, donde, tal y como acabamos de
mostrar, 8b(c) = (1/1- 7JJc). Por tanto,
y obtenemos la expresión para 'l'lb:
129
Valoración de derivados: modelos bifactoriales con saltos
finalmente utilizando la relación entre I.f'lb y el precio del contrato de futuro, y la
definición del vector u = (1,1), obtenemos la fórmula de valoración correspondiente a
este modelo y presentada en la Tabla 4.
(J x 0";; p r. -k .. ] -k .. J +---L1-e x +~t +e x XI +C(r) kx
donde
"" AT,i (r¡~'i exp( -kx r) -lJ C( r) = ¿ -In -------=----~~
i:lIp,doWJ/ kx r¡J,i 1
130
Modelo 2a (Logaritmo del Precio)
Variable Corto Plazo x: Proceso Revers. a la Media (OU) + Salto Gaussiano Variable Largo Plazo ~: Proceso Reversión a la Media
Capítulo 3
Bajo la probabilidad riesgo-neutro el modelo 2a VIene dado por las siguientes
expreSIOnes:
lnSt = f(t)+ Xt +~I
dX = -(kxX + ifJx}it + O" xdZ; + J(p~ ,O"J )drr(;¡J d~ = kq(~· -~}it +O"¿;dZ;
dZ;dZ; = pdt
En este modelo la transformada \}I2a viene dada por la expresión:
donde a, /31 y /32 resuelven:
p¡ = -kx/3¡ ;/3¡ (T) = U¡ ~ /31 (upt,T)= ule-kx(T-t)
/3" - k /3 . /3 (T) - /3 ( T) - -k~(T-t) 2 -- ¿; 2' 2 -u2 ~ 2 u2 ,t, -u2e
:x = r + ifJx/3¡ - k¿;~· /32 -1 /3T Ho/3 + 2(Oa (¡J! )-I);a(T)= O
donde
131
Valoración de derivados: modelos bifactoriales con saltos
dado que tenemos las expresiones para /31 y /32 podemos resolver para obtener la
expresión para a:
Una vez tenemos las expresiones para a, /31 y /32 , podemos obtener la expresión para
'I'2a Y usando la ecuación A.l.l obtenemos la correspondiente fórmula para este modelo:
donde
B( ) - 1 Tf( (. -k;c(T-s) 1 2 -2k;c(T-S))' l)d r - /l.,T exp fiJe + -O"'Je - s I 2
132
Capítulo 3
Modelo 2b (Logaritmo del Precio)
Variable Corto Plazo x: Proceso Revers. a la Media (OU) + Salto Exponencial Variable Largo Plazo ~: Proceso Reversión a la Media
Bajo la probabilidad riesgo-neutro el modelo viene dado por las siguientes expresiones:
InSI = f(t) + XI +;1 dX = -(kxX + qJx }it + O'xdZ; + J~(1]~ }irr(AJ-J;dI1(AJ d;=kA;* -;}it+O'~dZ; dZ;dZ; = pdt
En este modelo la transformada \f'2b viene dada por la expresión:
donde a, J3i y J32 resuelven:
a partir de las expresiones para [JI y J32 obtenemos la expresión para a:
133
Valoración de derivados: modelos bifactoriales con saltos
Una vez tenemos las expresiones para a, /31 y /32, podemos obtener la expresión para
\f'2b Y usando la ecuación A.1.1 obtenemos la correspondiente fórmula para este
modelo:
donde
" Ar , (r¡;¡eXP(-kxT)-l] C( T) = ¿ _,1 In ---,-' --o ----"'--
¡=up,doWIl k x r¡ J,i -1
134
Capítulo 3
APÉNDICE 2.11: MODELOS PARA EL NIVEL DE PRECIOS.
Modelo la (Nivel de Precios)
Variable Corto Plazo X: Proceso Reversión a la Media (OU) + Salto Gaussiano Variable Largo Plazo ~: Proceso Browniano Aritmético (ABM)
Aplicamos la metodología presentada en el texto principal, ecuaciones (7a-7b) para el
Modelo la.
St = f(t) + Xt +;t
dX = kx (a* - x}it +() xdZ; +J(Ji~'()J }irr(}¡J d; = Ji;dt + ()~dZ;
dZ;dZ; = pdt
donde a * == - ifJ x y Ji; == Ji;; - ifJ;;. Dado que estamos analizando modelos basados en el kx
precio, para calcular el precio de futuro debemos calcular la "transformada extendida"
con v = (1,1) Y u = (0,0). Hay que tener en cuenta que, u = (0,0)::::;. p(u l , u2 ) = (0,0).
Por tanto, el correspondiente sistema de ecuaciones diferenciales viene dado por:
• ( ) -k (T-t) -B¡ =-kXB¡;B¡(T)=v¡ ::::;.B¡ vl't,T =v¡e x
-B2 = 0;B2 (T) = v2 ::::;. B2 (v2 ,t,T) = v2
Tenemos que remarcar que al tratarse de un modelo basado en el precio, el componente
de salto que aparece en la ecuación diferencial de A no es exactamente la misma que en
el caso de los modelos sobre el logaritmo del precio. Tal y como hemos visto en los
135
Valoración de derivados: modelos bifactoriales con saltos
modelos anteriores con distribución del salto Gaussiano ("modelos tipo a"), tenemos
Teniendo en cuenta la expresión para V' ea (c) y que u = (0,0), finalmente obtenemos la
expresión para A(t):
ya partir de la ecuación (A1.2) tenemos:
F(S,t,T)= JeT) + erCT-t)<l>¡a (v,u,X,4",t,T)I U=Co,O) = ,v=(J,¡)
= JeT) + erCT-t)\f1((O,O),t,TXA(t) + B¡ (t)X + B2 (t)4") =
= JeT) + Ji; (T -t) +a*(l-e -kxCT-t»)+ e -kxCT-t) Xt +4"t + A(T) ~~ (l-e -kxCT-t»)= z
= J(T) +(Ji¡; -ep¡; 1.7 -t) - ~z (l-e -kxCT-t) )+e -kx(T-t) XI +4"1 + A(T) ~~ (l-e -kx(T-t) X X
136
Capítulo 3
Modelo 1 b (Nivel de Precios)
Variable Corto Plazo x: Proceso Revers. a la Media (OU) + Salto Exponencial Variable Largo Plazo ~: Proceso Browniano Aritmético (ABM)
Aplicamos la metodología presentada en el texto principal, ecuaciones (7 A-7b) para el
Modelo lb.
SI = f(t) + XI +;t dXt = kx (a * - X)dt + a xdZ; + J~ (17: ~(At,u) - J; (17; ~(At,d) d; = (Ji¿; - rjJ¿; }tt + a ¿;dZ;
dZ;dZ; = pdt
donde a* == -rjJx y Ji; == Ji¿; -rjJ¿;. La diferencia entre el Modelo 2b y el Modelo 2a, kx
analizado anteriormente estriba en la composición del salto. El correspondiente sistema
de ecuaciones diferenciales viene dado por:
• ( ) -k (T-t) -B¡ =-kXB¡;B¡(T)=v¡ ::=:;,B¡ v¡,t,T =v¡e x
-B2 =O;B2 (T)=v2 ::=:;,B2 (V2 ,t,T)=v2
En este modelo el componente de salto viene determinado mediante la distribución
exponencial. En particular, tenemos dos tipos de salto (positivo y negativo) cada uno de
ellos con tamaño de salto distribuido exponencialmente. Tal y como hemos visto con
anterioridad, tenemos la expresión eb (e) = 1 ,y por tanto veb (e) = ( 17 r' I-17'c I-17'c
Teniendo en cuenta la expresión veb (e) y que u = (0,0), obtenemos la expresión para
A(t):
137
Valoración de derivados: modelos bifactoriales con saltos
y a partir de la ecuación (Al.2) tenemos:
F(S,t,T) = J(T) + er(T-t)ct>lb (v,u,X,~,t,T):!I=(o,O) = !v=(l,l)
= J(T) + er(T-t)'P((ü,ü),t,TXA(t) + Bl (t)X + B2 (t)~)=
138
Capítulo 3
Modelo 2a (Nivel de Precios)
Variable Corto Plazo X: Proceso Revers. a la Media COU) + Salto Gaussiano Variable Largo Plazo~: Proceso Reversión a la Media
Aplicamos la metodología presentada en el texto principal, ecuaciones (7 A -7b) para el
Modelo 2a.
St = f(t)+ Xt +;t
dXt =k/a* - X)dt + (JxdZ; +J(.u~,(J;)dTI(At)
d;=k;«(" -;)dt+(J;dZ;
dZ;dZ; = pdt
d d • -rPx ~. ~ rP; El . d' d' on e a == -~- y ':> = ':> - - • sIstema e ecuaCIOnes correspon lente a este kx kq
modelo viene dado por:
• ( ) -k (T-t) -B¡ =-kXB¡;BJT)=v¡ ~B¡ v¡,t,T =v¡e Z
• _ . _ ( )_ -k~(T-t) -B2 --kqB2,B2(T)-v2 ~B2 v2,t,T -v2e
-A = kxa"B¡ +kq~"B2 + f3T HoB+love)J3)B¡
Resolviendo el sistema de ecuaciones diferenciales y teniendo en cuenta que se trata de
un modelo en el que el tamaño del salto viene dado por una distribución Gaussiana,
obtenemos la expresión paraA(t):
A(t) = a"v¡ (l-e -kz(T-t) )+('v2 (l_e-k¡;(T-t) )+A(T).uiv¡ (l_e-kz(T-t»)
x
139
Valoración de derivados: modelos bifactoriales con saltos
Aplicando la ecuación A1.2 (ecuación pertinente para los modelos basados en el nivel
de precios) obtenemos la expresión para la fórmula de valoración para el Modelo 2a que
aparece en la Tabla 3:
140
F(t,T,S)= J(T) +.r(l-e -k~(T-t))_ f~(l-e -kx(T-t))+ e -kx, +e -k~';r x
Capítulo 3
Modelo 2b (Nivel de Precios)
Variable Corto Plazo x: Proceso Revers. a la Media (OU) + Salto Exponencial Variable Largo Plazo s,: Proceso Reversión a la Media
Aplicamos la metodología presentada en el texto principal, ecuaciones (7 A-7b) para el
Modelo 2b.
SI = f(t)+ XI +~I
dXt =kxCa* - X)dt+CJxdZ; +JI:(7]I:~(AI,U)-J;(7]; ~(At,d) d~ = k,g(~* -~)dt + CJ,gdZ;
dZ;dZ; = pdt
d d * -r/Jx ~* ~ r/J,g El . d' d' on e a == -- y ':> = ':> - - • SIstema e ecuacIOnes correspon lente a este kx k,g
modelo viene dado por:
• ( ) -k (T-I) - B¡ = -kxB¡ ;B¡ (T) = VI => BI vl't,T = v¡e x
• ( ) -k,(T-t) - B2 = -k,gBZ;B2 (T) = v2 => B2 v2 ,t,T = v2e •
-A =kxa*B¡ +k,g~'B2 + pTHoB+lo\l{)b(P)BI
Resolviendo el sistema de ecuaciones diferenciales y teniendo en cuenta que se trata de
un modelo en el que el componente de salto viene dado por distribuciones
exponenciales, obtenemos la expresión para A(t).
* => A(t) =~. (1- e -k~(T-t) )+ a' (1- e -kx(T-t»)+ ¿ Ai,T (1- e -kXT )~
i=up,down kx
141
Valoración de derivados: modelos bifactoriales con saltos
Una vez tenemos las expreSIOnes para A, Bl Y B2 podemos obtener la expresión
correspondiente para ([J2b y mediante la ecuación (A1.2) obtenemos finalmente la
expresión para el Modelo 2b (nivel del precio):
F(S,t,T)= f(T) + er(T-t)<D 2b (v,u,X,q,t,T)¡u=(o,o) = v=(l,l)
= J(T) + er(T-fhp((Q,Q),t,TXA(t) + Bl (t)X + B2 (t)q) =
J(T) ;:°(1 -k;T) *(1 -kz(T-t») -kz(T-t) -k¡;(T-f);: "1 (1 -kx')77¡* = +':> -e +a -e +e Xt+e ':>t+ ¿ /I.,¡,T -e -= ¡=up,down k x
= f(T) +;;* (1- e -k¡;, )- tjJ x (1- e -kx, )+ e -kx, Xt + e -k;, qt + L íL¡,T (1- e -kZT ) 77; ~ ~~ ~
142
Capítulo 3
APÉNDICE 3: ESTADÍSTICAS RESUMEN Y GRÁFICOS
Presentamos estadística descriptiva para las senes de precios "spot" y log
precios diarios para el mercado PJM (Pennsylvania- New Jersey - Maryland).
Período: Enero 1997 - Marzo 2000.
Tabla A3.1: Estadística descriptiva serie de precio y log-precio, mercado PJM.
Series N.Obs. Media Mediana Min. Max. Std.Dev. Asimetría Kurt.
Precio 822 30.39 23.42 10.56 573.18 39.89 8.42 81.46
Log-Precio 822 3.23 3.15 2.36 6.35 0.45 2.98 14.12
143
Valoración de derivados: modelos bifactoriales con saltos
Figura A3.1: Serie de Precios Mercado P JM.
600 I
500 .J I
I 400
300
200
Figura A3.2: Distribución Empírica, Serie de Precios PJM.
0.06
0.05 1\ -
0.04 -
0.03 -
0.02 -
0.01 -
~~ 0.00 100 200 300 400
144
500
Capítulo 3
Figura A3.3: Observaciones Diarias Precio Contrato Forward a 1 mes. PJM.
Enero 1997 - Marzo 2000 (822 observaciones)
99 -,---------
90 J
" l 72 l 63 1 54 _
45
36
27 -:.n{
..... ~"~r;, :
""'" 18 __ ..l....- _ ____ .,... __ ~----,-- __ -~-~-- • ..,.-~-__:-l,--- .---.... ---,-.,-----,---.-¡--,---_ -'~I -----;------..,.-·-··--~·--1·-~-r_-------· 100 200 300 400 500 600 700 800
145
Valoración de derivados: modelos bifactoriales con saltos
APÉNDICE 4: RESULTADOS DE LA ESTIMACIÓN: PJM
Para obtener valores estimados para los parámetros del modelos hemos estimado un
modelo AR(l) con estacionalidad determinista y saltos. Hemos seguido la metodología
propuesta por Escribano, et al. (2002). Hemos introducido también una tendencia
determinista, el parámetro B2 corresponde a ~s. También ha de notarse la relación entre
el parámetro autoregresivo (cjJ) y k, en particular 1- cjJ = k. El modelo autoregresivo
(AR(1)), con salto (intensidad del proceso no constante) viene dado por la siguiente
expresión:
Pt = I(t) + Xt
Xr=
At = L1 'otoñot + L2 . inviert + L3 'primav t + L4 . veranOt
&ft, &2t ~ i.i.d. N(O,1)
Hemos especificado la función estacional I(t) mediante "dummies" mensuales,
12
f(t) = ¿Mi' DiM donde D~ es una "dummy" mensual que toma el valor 1 SI la i;¡
observación ocurre en el i-ésimo mes y cero en el resto de casos. Mi es el coeficiente
correspondiente. Por otro lado, hemos permitido que el proceso de intensidad tenga
estructura estacional. Hemos permitido que la probabilidad de observar un salto sea
diferente dependiendo de la estación. inviert comprende los meses de Diciembre, Enero
y Febrero. Las otras variables "dummies" se definen a partir de períodos trimestrales
consecutivos.
146
Capítulo 3
Tabla A4.1.- Parámetros estimados PJM.
Período 01/97- 12/98 Período 01198-12/98
Parámetro Coef. Error Est. Coef. Error Est.
fjJ 0.28 0.03 0.23 0.03
MI 24.52 1.40 22.39 2.41
M2 20.55 2.69 19.46 4.59
M3 24.26 1.79 22.27 3.52
M4 22.42 2.70 23.38 3.81
M5 26.24 1.59 32.47 1.54
M6 23.04 2.01 22.71 2.41
M7 26.61 1.90 29.99 2.12
M8 25.65 2.32 28.95 2.75
M9 27.64 1.71 30.38 1.34
MIO 27.33 1.75 22.75 3.52
Mll 25.29 2.47 21.14 4.71
MI2 20.80 2.74 19.23 5.76
(J 7.11 0.16 7.61 0.23
L4 0.17 0.04 0.17 0.05
JiJ 48.97 28.34 68.57 36.94
(JJ 61.26 12.37 78.27 25.53
147
Valoración de derivados: modelos bifactoriales con saltos
TablaA4.2
Período 01/97- 12/98 Período 01/98-12/98
Parámetro Coef. Error Est. Coef. Error Est.
rjJ 0.28 0.028 0.22 0.026
Mi 25.25 1.26 22.39 2.41
M2 20.40 2.66 19.46 4.59
M3 24.08 1.72 22.27 3.52
M4 22.22 2.61 23.38 3.81
M5 26.02 1.24 32.46 1.55
M6 22.87 1.81 22.73 2.45
M7 26.33 1.56 29.98 2.11
M8 25.39 2.10 28.96 2.72
M9 27.33 1.05 30.38 1.34
MiO 27.01 1.42 22.75 3.52
Mll 24.93 2.10 21.14 4.71
Mi2 20.32 2.44 19.23 5.76
O" 7.15 0.16 7.61 0.23
L4 0.17 0.04 0.17 0.06
june JiJ 38.33 50.00 53.38 100.07
july.aug JiJ
52.80 25.68 76.27 33.70
O"J 60.98 11.06 77.55 24.46
Únicamente presentamos el parámetro estimado L4 dado que el resto de parámetros que
componen la especificación estacional del proceso de intensidad no son
estadísticamente significativos.
148
Capítulo 3
Figura A4.1: Precios Forward (l-mes) Observados y Precios generados por el Modelo.
Enero 1999 - Marzo 2000
100
90 1\
80 I~ I ' i¡1 ! I
I
it\f l i 70 hf I1 !/
60
50 I I
/, I Al! I
40 rli--J \1'" J '
30 ~p 20 , 550' , , , , , i i I
, '700' I 600 650 750 8ÓO
149
Valoración de derivados: modelos bifactoriales con saltos
Figura A4.2.: One-month forward contract, Model implied forward series (with k = 0.7
estimated from spot prices), Model implied forward prices with low mean-reversion (k
= 0.15)
110 I 100 !
90 l 80 l 70 ~
i 60 J
I 50 J
I 40 _
30 ~
~~~ 20 .--.-.---__ ~ ... _ ·r--r--. ---._--. ~---~-,
550 600 650
150
700 800
Capítulo 3
REFERENCIAS
Balduzzi, P., S.R Das, S. Foresi y RK. Sundaram (1996), "A Simple Approach to
Three-Factor Affine Term Structure Models", The Journal of Fixed Income,
December.
Balduzzi, P., S.R Das y S. Foresi (1998), "The Central Tendency: a Second Factor in
Bond Yields", Review of Economics and Statistics, 80, 62-72.
Balduzzi, P., S.R. Das, S. Foresi y R.K. Sundaram (2000), "Stochastic Mean Models of
the Term Structure ofInterest Rates" in Advanced Fixed-Income Valuation Tools,
J egadeesh and Tuckman eds.
Bessembinder, H. y M.L. Lemmon (2002), "Equilibrium Pricing and Optimal Hedging
in Electricity Forward Markets", Journal of Finance 57, 1347-82.
Chacko G. y S. Das (2002), "Pricing Interest Rate Derivatives: a General Approach",
Review of Financial Studies, 15(1), 195-241.
Cipra, T. y R. Romera (1991), "Robust Kalman Filter and its Applications in Time
Series Analysis", Kybernetika, 27(6), 481-494.
Das, S. (2002), "The Surprise Element: Jumps m Interest Rates", Journal of
Econometrics, vol. 106, pp. 27-65.
Deng, S. (2001), "Stochastic Models of Energy Commodity Prices ,and their
Applications: Mean-Reversion with Jumps and Spikes", UCEI, PWP-073.
Duffie, D., 1 Pan y K. Singleton (2000), "Transform Analysis and Asset Pricing for
Affine Jump-Diffusions", Econometrica, vol. 68(6), 1343-1376.
Escribano, A., 1I. Peña y P. Villaplana (2002), "Modeling Electricity Prices:
Intemational Evidence", Universidad Carlos IIl, working paper 02-27.
151
Valoración de derivados: modelos bifactoriales con saltos
Fabra, N. Y D. Rarbord (2001), "Market Power in Electricity Markeís: an overview of
the Theoretical and Empirical Literature", mimeo.
Reston, S. (1993), "A Closed-Form Solution of Options with Stochastic Volatility with
Applications to Bond and Currency Options", Review 01 Financial Studies, 6,
327-343.
Hirshleifer, D. (1990), "Hedging Pressure and Futures Price Movements in a General
Equilibrium Model", Econometrica, 58 (2), pp. 411-428.
Hogan, W.W. (1998), "Competitive Electricity Market Design: a Wholesale Primer",
mimeo.
Jegadeesh N. Y G.G. Pennacchi (1996), "The Behavior ofInterest Rates Implied by the
Term Structure of Eurodollar Futures", Journal 01 Money, Credit and Banking,
vol. 28(3), 427-446.
Knittel, C.R. y M. Roberts (2001), "An Empirical Examination of Deregulated
Electricity Prices", UCEI, PWP-087.
Longstaff, F., y A. Wang (2002), "Electricity Forward Prices: a High-Frequency
Empirica! Analysis", Working Paper, UeLA.
Lucía, J. y E. Schwartz (2002), "Electricity Prices and Power Derivatives: Evidence
from Nordic Power Exchange", Review 01 Derivatives Research, vol. 5 (1), 5-50.
Pan, J. (2002), "The Jump-risk Premia Implicit in Options: Evidence from an Integrated
Time-series Study", Journal 01 Financial Economics, vo1.63, 3-50.
Piazzesi, M. (2002). "Aftine Term Stru~ture Models", WP UCLA, prepared for
Handbook 01 Financial Econometrics, available at:
http://www . personal.anderson. ucIa. edulmonika. piazzesi/
152
Capítulo 3
Pirrong, C. y M. Jennakyan (2000), "The Price ofPower: the Valuation ofPower and
Weather Derivatives", working Paper, Olin School of Business, Washington
University.
Schwartz, E. (1997), "The Stochastic Behavior of Commodity Prices: Implications for
Valuation and Hedging", Journal of Finance, vol. 52(3), 923-973.
Schwartz, E. y J.E. Smith (2000), "Short-tenn Variations and Long-tenn Dynamics in
Commodity Prices", Management Science, 46 (7), 893-911.
Singleton, K. (2001), "Estimation of Affine Asset Pricing Models using the Empirical
Characteristic Function", Journal of Econometrics, 102, 111-141.
153
Valoración de derivados: modelos bifactoriales con saltos
154
Capítulo 4
Capítulo 4:
Valoración de Contratos de Futuros sobre
Electricidad: el Papel de la Demanda y la
Capacidad
4.1 INTRODUCCIÓN
El objetivo de este Capítulo es introducir un marco donde analizar el efecto de
variables de oferta ("capacidad de generación") y demanda sobre el precio spot, y como
consecuencia sobre el precio de los contratos de futuros. Debido a sus características
particulares, el precio de la electricidad es extremadamente volátil. Sin embargo aun a
pesar de esta extrema volatilidad, la electricidad continúa siendo una "commodity" y por
tanto, las fluctuaciones del precio se deben a cambios en las condiciones de oferta y
demanda. Entre las características de la electricidad, hay dos muy importantes que
subyacen en las fluctuaciones del precio de la electricidad. Por un lado, la electricidad
no es almacenable. Por otro lado, y relacionado con la no almacenabilidad de la
electricidad, la electricidad es una mercanCÍa "instantánea", es decir, demanda y oferta
deben estar en todo momento equilibradas. La electricidad debe generarse
155
Valoración Futuros: Demanda y Capacidad
instantáneamente para satisfacer la demanda de los consumidores, en vez de ser
producida y almacenada hasta que se demande, como en otras muchas "commodities".
Esto hace que introducir una variable de oferta relacionada con la "capacidad de
generación efectiva" de un sistema eléctrico, sea si cabe más importante, para capturar
las fluctuaciones del precio spot y del precio de derivados eléctricos. Este Capítulo
propone un marco teórico donde analizar las interacciones de demanda, capacidad de
generación y precios, tanto de mercado spot como de contratos de futuros.
Este Capítulo se organiza de la siguiente forma. Primero hacemos un repaso sobre los
trabajos de valoración de derivados eléctricos. Posteriormente analizamos las
características de la demanda y la oferta de electricidad. En la Sección 4 proponemos un
modelo para el precio de la electricidad como función de demanda y capacidad de
generación. En la Sección 5 presentamos el modelo bajo la probabilidad riesgo-neutro y
derivamos las fórmulas de valoración. La última Sección contiene las conclusiones.
4.2 MODELOS DE VALORACIÓN DE DERIVADOS ELÉCTRICOS
La literatura sobre valoración de derivados eléctricos es relativamente reciente,
aunque el número de trabajos sobre el tema está aumentando rápidamente. Por un lado,
existen algunos trabajos que siguen la línea iniciada por Schwartz (1997) y Schwartz y
Smith (2000). En esa línea de trabajos para la valoración de derivados sobre mercancías
en general, encontramos algunos trabajos específicos para la electricidad. Entre- ellos
cabe mencionar los trabajos de Lucía y Schwartz (2002) y Villaplana (2003). En ambos
trabajos las variables de estado modelizadas son no observables, y tienen en cuenta las
variaciones de corto plazo y las tendencias a largo plazo observadas en las series de
precios. Lucía y Schwartz (2002) aplican el modelo de Schwartz y Smith (2000) a la
156
Capítulo 4
valoración de contratos de futuros negociados en el Nord Pool, Villaplana (2003)
extiende el trabajo de Schwartz y Smith (2000) introduciendo la posibilidad de saltos en
la variable de estado de corto plazo, deriva la fónnulas de valoración bajo el nuevo
modelo y realiza un análisis empírico con datos de futuros del mercado americano de
Pennsylvania - New Jersey - Maryland (PJM de aquí en adelante).
Por otro lado, dado que la electricidad es una mercancía, podemos identificar variables
observables relevantes, principalmente asociadas a variables de oferta y demanda. Esta
línea de investigación es la seguida, entre otros, por Pirrong y J ennakyan (1999 Y 2000),
Barlow (2002) y Bessembinder y Lemmon (2002). Pirrong y Jennakyan (1999 y 2000)
proponen modelizar el precio de equilibrio como función de dos variables de estado, la
demanda de electricidad y el precio del futuro del combustible marginal. Al incluir el
precio del contrato de futuro del combustible marginal, los autores intentan introducir
una variable de estado (observable) relacionado con el lado de la oferta. Los autores
consideran que el precio de la electricidad debe ser función creciente y convexa en la
variable de demanda. Asimismo también incorporan un función estacional
(detenninista) directamente en la modelización del precio. En Pirrong y Jennakyan
(2000) la especificación final del precio como función de las variables de estado es
bastante flexible y la estimación se hace mediante técnicas semi-paramétricas. En
Pirrong y Jennakyan (1999) se impone una fonna funcional que comentaremos en
detalle más adelante. Uno de sus principales· resultados es que los precios de los
contratos "forward" diferirán de los precios spot esperados en vencimiento debido a la
existencia de una prima de riesgo por demanda endógena. Los autores realizan una
análisis empírico del modelo con datos del mercado americano PJM. En este mercado
los niveles máximos de demanda (y volatilidad) se alcanzan durante los meses de
157
Valoración Futuros: Demanda y Capacidad
verano 1• Por tanto, aquellos contratos "forward" que tengan vencimiento en verano
tendrán precios superiores, en gran parte debido a la existencia de prima de riesgo de
mercado. Bessembinder y Lemmon (2002) toman una perspectiva de equilibrio y tratan
de modelizar explícitamente los determinantes económicos existentes en el mercado
"forward". En su modelo de equilibrio el precio spot resultante viene dado por la
(D)C-I
expresión P = a N donde D es el nivel de demanda, N es el número de
(simétricos) productores (generadores), a y c son constantes, c ~ 2. Nótese que al
considerar N como una constante, los autores están asumiendo la capacidad de
generación no es una variable aleatoria. N por tanto, actúa como "proxy" para la
variable "capacidad de generación" de un mercado (ó sistema eléctrico). La expresión
para el precio spot de equilibrio es convexa en el nivel de demanda. Tal y como
apuntan, Bessembinder y Lemmon (2002, p.1353) "if the cost parameter c is greater
than two, marginal costs in crease at an increasing rate with (are convex in) output. ( ... )
The rapid increases in marginal costs implied by production levels that approach
capacity can be approximated by considering the effect of increasing the cost convexity
parameter, c. Note also that if c is greater than two, the distribution of power prices
will be positively skewed even when the distribution of power demand is symmetric".
Por tanto, el parámetro c captura el grado de convexidad de la función de costes.
Uno de sus principales resultados es la existencia de una prima "forward" positiva
(precio "forward" mayor que precio spot esperado) en aquellos contratos con
vencimiento en períodos de demanda esperada alta ó alta volatilidad, la razón es la
asimetría positiva (a la derecha) de la distribución de precios. La asimetría positiva
1 Tal y como se comprobó en los Capítulos 2 y 3, durante los meses de verano en el mercado PJM existe una alta probabilidad de observar saltos en los precios del mercado spot.
158
Capítulo 4
observada en la distribución de precios spot se debe a la convexidad de la función de
costes ("supply stack"). Puede mostrarse que en el caso de costes marginales crecientes,
la distribución del precio será asimétrica, aun a pesar de que la distribución de demanda
sea simétrica. Tal y como apuntan Bessembinder y Lemmon (2002), "the distribution 01
wholesale power prices will be positively skewed if marginal production costs are
convex or ifthe demand distribution is positively skewed".
Longstaffy Wang (2002) por su parte analizan empíricamente precios "forward"
para el mercado PJM, encontrando una importante prima de riesgo que consideran es
resultado de la "racionalidad y la aversión al riesgo de los agentes económicos
participantes en el mercado". Entre los riesgos económicos que Longstaff y Wang
(2002) consideran que existen en mercados eléctricos, están el riesgo de precio y el
riesgo generado por la incertidumbre en el nivel de demanda. Aunque la demanda de
electricidad puede ser predicha con bastante exactitud siempre existirá una cantidad
residual que crea riesgos a los agentes del mercado. Relacionado al riesgo de cantidad
los autores consideran que un riesgo muy importante es "total demand approaching or
exceeding the physical limits 01 power generation". Tal y como también argumenta,
Krapels (2000), p. 34, "For al! intents and purposes, electricity cannot be stored. What
this basically means is that if demand surpasses production in a given time period
(hourly, daily or monthly market), there is no upper boundary to price levels. As seen in
the various electricity markets in North America over the past few years, spotlcash
price levels had no problem reaching factors of 100 or 200 times normal prices". En
situaciones en los que el nivel de demanda está muy cercano al nivel máximo de
capacidad, el precio de la electricidad puede incrementarse de forma abrupta, al tener
que producirse electricidad mediante plantas generadoras menos eficientes con un
159
Valoración Futuros: Demanda y Capacidad
mayor coste marginal (convexidad de la curva de oferta). En la parte empírica de su
trabajo, intentan relacionar la prima "forward" con la diferencia entre capacidad
máxima del sistema y demanda esperada. Sin embargo, existe un problema de datos al
intentar implementar empíricamente la variable capacidad. Aunque los autores
consideran que la variable capacidad es una variable relevante a la hora de explicar la
evolución de la serie de precios "forward", y la prima de riesgo, acaban asumiendo, por
falta de datos, que la variable capacidad de generación es constante. Nuestro objetivo en
este Capítulo es proveer un marco en donde al menos a nivel teórico, podamos analizar
la relación entre la diferencia de capacidad y demanda con el precio de los contratos de
derivados.
Los trabajos de Barlow (2002), Skantze et aL (2000) y Skantze y nic (2001) también
deben mencionarse. Estos trabajos tienen la característica común de imponer una forma
funcional entre precio y las variables de estado. Las variables de estado son demanda y
una variable no especificada explícitamente relacionada con el lado de la oferta. Barlow
(2002) propone un proceso "Omstein-Uhlenbeck no lineal" para la descripción de las
series de precios observadas. Básicamente este autor considera la demanda como la
variable de estado relevante (suponiendo que la variable oferta como no aleatoria) y la
modeliza mediante un proceso de reversión a la media incorporando una media no
constante, que viene determinada por una función estacional determinista. A partir de la
observaci6n empírica considera que el precio de la electricidad es una función convexa
de la demanda de electricidad. En su anális.is empírico (estimación del modelo) muestra
como efectivamente su proceso de difusión es capaz de generar saltos ("spikes"), a
través de un filtro no lineal que conecta la demanda de electricidad con los precios de
electricidad. La convexidad de la función que relaciona demanda y precios es el
160
Capítulo 4
elemento que genera la existencia de saltos en la serie de precios (aunque la demanda
siga un proceso de difusión). Hay que remarcar que Barlow (2002) considera la oferta
como una variable no aleatoria y no considera la valoración de contratos de futuros ni
otro tipo de derivados.
Skantze et al. (2000) y Skantze y Ilic (2001) imponen una forma funcional exponencial
entre el precio de la electricidad y las variables de estado. Las variables de estado son la
demanda y una variable no observable residual, que los autores relacionan con las
condiciones de la oferta. En particular suponen que el precio de la electricidad viene
dado por la siguiente ecuación:
Según su especificación los precios horarios de la electricidad estarían gobernados por
una combinación estados de demanda L y oferta b. La estimación del proceso de
demanda no es excesivamente complicado ya que la demanda es observable. Tal y como
hemos comentado el problema de introducir una variable de oferta (capacidad de
generación) es que no es observable en la mayoría de los casos. Los autores proponen
una sencilla metodología para extraer el estado de la oferta bh , el problema a nuestro
entender radica en el hecho de que se considera a la variable de estado de la oferta como
un residuo. Bajo su modelización cualquier oscilación del precio que no venga dada por
el nivel de demanda será capturado por esta variable. Hay que notar también que la
relación entre precio y demanda es menos clara cuanto mayor es el nivel de précio (o
demanda), ver Figura 1 del Apéndice para- el caso del mercado PJM. Birnbaum et al.
(2000) muestran que este tipo de relación también existe entre el precio y la capacidad
de generación (ratio de utilización de capacidad ó "reserve margin"). Hay que remarcar
que ni en el trabajo de Skantze et al. (2000) ni el de Skantze et al. (2001) se presentan
161
Valoración Futuros: Demanda y Capacidad
fónnulas de valoración de derivados ni se analizan las consecuencias del modelo para el
precio spot sobre el comportamiento de los precios de futuros.
La existencia de asimetría positiva en la distribución (incondicional) del precio de la
electricidad está claramente relacionado con la presencia de saltos. Los saltos aparecen
claramente en períodos de demanda alta, ya que, dado un "shock" positivo de demanda,
éste tiene un mayor efecto en el precio esperado, cuanto mayor sea el nivel de demanda,
debido a la convexidad de la función de oferta. Más adelante se realiza un análisis
detallado de la evolución de la demanda, pero anticipamos que períodos de demanda
alta también están relacionados con períodos de alta volatilidad de la demanda. El
análisis de la evolución de los precios no debe centrarse únicamente en el lado de la
demanda. La oferta, a través por ejemplo de la variable "capacidad efectiva", es un
detenninante en la evolución de los precios y en la existencia de saltos. Además de los
shocks de demanda (positivos), otra posible explicación para la existencia de saltos es
una reducción en la oferta (capacidad de generación) del sistema. Esta reducción en la
capacidad de generación puede deberse a una reducción en el número de generadores en
el sistema ó en el caso de sistemas interconectados, una reducción en las importaciones
de capacidad de otros mercados eléctricos cercanos. Krapels (2000) analiza el aumento
del precio en el mercado de Nueva Inglaterra (EEUU), durante los días 7 y 8 de Junio de
1999. Muestra como efectivamente un shock de demanda positivo (provocado por un
aumento imprevisto de la temperatura) junto con una capacidad efectiva de generación
menor de 10 habitual, fueron las causas del fuerte aumento de precios ("spikes").
Bimbaum et al. (2002) muestran la relación entre el nivel de precio y la capacidad de
generación en el mercado PJM. Los autores muestran la relación entre precio y
capacidad utilizada ("reserve margin" ó "capacity utilization rate"). Muestran cómo
162
Capítulo 4
para el caso del mercado PJM los precios empiezan a incrementar con el porcentaje de
capacidad utilizada. El hecho remarcable es que el incremento de precios ocurre aún
cuando el porcentaje de capacidad utilizada no es excesivamente alto. También apuntan
que los niveles de capacidad utilizada en los que empiezan a aumentar los precios son
en el caso de la electricidad menores, comparado con otras "commodities". Los autores
consideran que la no almacenabilidad de electricidad y la inexistencia de sustitutivos a
la electricidad son las causas de este patrón.
Por otro lado, Longstaff y Wang (2002) apuntan que efectivamente nivel de demanda
cercana ó excediendo los límites físicos de generación de electricidad es un riesgo
económico importante (relacionado al riesgo de cantidad). Tal y como comentan estos
autores "the risk of price spikes as demand approaches system capacity is an extreme
type of risk which may have important implications for the relation between spot and
forward prices". Por tanto la mayoría de los trabajos, Bessembinder y Lemmon (2002),
Longstaff y Wang (2002), Pirrong y Jermakyan (2000) entre otros, consideran que la
variable de capacidad es una variable relevante. En particular, consideran que la
variable "diferencia entre capacidad efectiva y demanda" es una de las variables que
subyacen tanto en la existencia de saltos en las series de precios "spot", como en la
valoración de derivados y en la evolución de la prima de riesgo de los contratos
"forward". Sin embargo, debido a problemas en la obtención de datos sobre la
capacidad de generación de electricidad, todos estos trabaj os deben hacer álgún
supuesto restrictivo, en la mayoría de los casos, obviando finalmente la variable
capacidad. Por tanto, parte de las conclusiones y predicciones que se obtengan estarán
sesgadas al no incorporar la variable de ·oferta.
163
Valoración Futuros: Demanda y Capacidad
El objetivo de este Capítulo es presentar un marco donde profundizar en la relación
entre por un lado variables de demanda y oferta (capacidad y demanda) y por otro lado,
los precios spot y forward. En este trabajo modelizamos los precios de equilibrio de
mercados eléctricos corno una función de dos variables de estado: demanda y capacidad
de generación. De esta forma, extendernos los análisis previos realizados por, entre
otros, Pirrong y Jermakyan (2000), Barlow (2002) y Bessembinder y Lemmon (2002),
ya que considerarnos la (máxima) capacidad de generación de un sistema para generar
electricidad corno una variable aleatoria.
4.3 DEMANDA Y CAPACIDAD DE GENERACIÓN.
4.3.1 Demanda
La demanda de electricidad viene determinada en gran medida por la actividad
económica y por la metereología. La electricidad es una mercancía necesaria y su uso
está ligado a la actividad económica. Para un análisis sobre la influencia de la
temperatura y la actividad económica sobre la demanda de electricidad en España ver
Cancelo y Espasa (1996), Pardo et al. (2002) y Revuelta (2000).
El patrón estacional existente en la actividad económica y en el clima se traslada por
tanto, a la demanda de electricidad. Existen varios tipos de estacionalidad en las series
de demanda de electricidad. Por un lado, la demanda de electricidad tiene una patrón
estacional intra-diario. Si analizarnos las series horarias de demanda, podernos
identificar de forma clara, horas de deman~a alta (también denominadas "horas pico") y
horas de demanda baja (denominadas "horas valle", que se suelen identificar con el
período comprendido entre medianoche y las 6:00 arn). También puede observarse un
patrón estacional diario, de forma que durante los días laborables la demanda de
164
Capítulo 4
electricidad es lógicamente más alta que en los días festivos. Por otro lado, tal y como
hemos comentado el clima (meteorología) también influye la demanda. Entre las
variables que definen el clima (temperatura, humedad relativa, precipitación, velocidad
del viento, etc ... ), la temperatura es una de las variables que ejerce mayor influencia
sobre la demanda de electricidad (Li y Sailor, 1995). Temperaturas extremadamente
altas (o bajas) suponen un aumento de la demanda de electricidad, a través de un
incremento en el uso de aparatos de aire acondicionado (o aparatos de calefacción). La
demanda de electricidad usualmente depende de forma no lineal en la temperatura,
Pardo et al. (2002) y revuelta (2000). Esta relación no lineal (en forma de U) hace que la
volatilidad de la demanda no sea constante a lo largo del año. Para un incremento dado
de temperatura, la demanda se incrementa en mayor medida cuando el nivel de
temperatura es alta (o baja). Es decir, también puede observarse un patrón estacional en
la volatilidad de la demanda. Por tanto, la demanda de electricidad puede considerarse
como un proceso con reversión a la media, donde la media no es constante sino que
viene determinado por un componente estacional (determinista) y con períodos de
volatilidad alta y baja, que tiene un carácter estacional.
Para la modelización de la variable de demanda (y de oferta) utilizamos procesos de
difusión afines, similares a los utilizados en el Capítulo anterior. Por tanto, para poder
capturar estas características consideramos que la variable demanda de electricidad
puede modelizarse2 de la siguiente forma:
2 En un paso inicial de esta investigación, consideramos la posibilidad de modelizar la demanda de electricidad como un proceso de difusión con saltos. Dada la estacionalidad en volatilidad, se analizó si ésa estacionalidad podía deberse a la existencia de un patrón de saltos estacional. Esta hipótesis se analizó siguiendo la metodología propuesta por Escribano, Peña y Villaplana (2002) para el análisis de los precios de electricidad. Los resultados sin embargo, no apoyaban la hipótesis de existencia de saltos en la demanda de electricidad. Por tanto, consideramos oportuno modelizar la demanda de electricidad como un proceso de difusión.
165
Valoración Futuros: Demanda y Capacidad
D( =g(t)+Xt
dX = -k Xdt + (J'seas. dZ x x x
(1)
con esta especificación el nivel de demanda, viene dado por una función estacional
determinista y por un componente aleatorio X con reversión a la media. Permitimos que
la varianza del proceso sea no constante.
A continuación presentamos unos gráficos con la evolución de la demanda en los
mercados del NordPool y del mercado PJM. También presentamos los estadísticos
descriptivos y los histogramas de las series.
Tabla 1: Estadísticos descriptivos series de demanda sin estacionalidad, mercado P JM Y
NordPoo1 (NP) (* No significativamente diferente de cero, 95%)
Series Obs. Media Min. Max. Desv.Est. Asimetr. Curtosis
PJM 1186 -3.04* -10144.6 11904.7 3067.9 0.3642 1.117
NP 1113 -1.69* -3370.08 4146.80 1206.9 0.2633* 0.1125
166
60000
50000
40000
30000
20000
10000 1/01
.00012
.00010
.00008
.00006
.00004
.00002
.00000 20000
Serie Demanda. Mercado PJM. (Enero 1997 - Marzo 2000)
Kernel Density
30000 40000
DEMANDA. MERCADO PJM.
Capítulo 4
50000
167
Valoración Futuros: Demanda y Capacidad
20000
18000
16000
14000
12000
10000
8000
.00020
.00015
.00010
.00005
.00000 6000
168
8000
Demanda. Mercado NordPool. (Enero 2000 - Enero 2003)
10000 12000 14000 16000
DEMANDA. MERCADO NORDPOOL.
18000 20000
Capítulo 4
A partir de los gráficos anteriores con las senes temporales y los gráficos de las
densidades empíricas, así como de la Tabla 1 con los estadísticos descriptivos de las
series de demanda sin estacionalidad (X), observamos ciertas diferencias en el
comportamiento de las series en cada uno de los mercados. Estas diferencias son
importantes para entender el comportamiento, tanto de las series de precios como de los
contratos de futuros y la correspondiente prima de riesgo. En particular, cabe resaltar
que la serie de demanda en el mercado P 1M tiene una mayor volatilidad, una mayor
asimetría positiva y una mayor curtosis.
A su vez, también hemos estimado el modelo (1) que acabamos de presentar para la
demanda, con datos diarios. Para ello hemos discretizado el modelo y hemos realizado
la estimación mediante Máxima Verosimilitud. Al tratarse de series de datos diarios el
error de discretización es negligible (Melino, 1994) Los modelos se han estimado
mediante Máxima Verosimilitud usando RATS 2.5. Las estimaciones se obtuvieron
mediante el algoritmo de Berndt, Hall, Hall y Hausman (BHHH) (1974). La
estacionalidad en la volatilidad y en la media puede modelizarse bien mediante la
inclusión de variables "dummy" mensuales o mediante funciones sinusoidales.
Concretamente el modelo estimado es el siguiente:
(2a)
g(t) = BO+ B2·t +Dl·Zabora¡ + Cl.sin((t + C2). 2Jr ) + C3 .Sin((t + C4). 4Jr -) (2b) 365 365
(2c)
a~ = QS1+QS2·primav¡ + QS3·otoño¡ + QS4·verano( (2d)
169
Valoración Futuros: Demanda y Capacidad
donde & t ~ i.i.d. N(O,l). La ecuación (2b) describe el comportamiento estacional
determinista de la serie. Así, introducimos una tendencia determinista para capturar los
incrementos del nivel de demanda en el tiempo debido a factores socio-económicos y
demográficos. La variable laborat es una "dummy" que toma el valor 1 si la
observación cae en un día entre semana y cero en el resto (fin de semana). Finalmente
incorporamos una formulación general mediante funciones sinusoidales permitiendo
que hayan dos ciclos por año (dos máximos locales por año). En el caso de que exista
un único máximo anual deberíamos obtener C3 = C4 = O. En la ecuación (2c)
incorporamos la dinámica de la serie de demanda. Esta dinámica se recoge mediante un
modelo autoregresiv03 de orden 1. El parámetro Bl captura la reversión a la media del
proceso y se corresponde con el parámetro k en el modelo (1), por tanto una baja
reversión a la media, bajo k, es equivalente a Bl ::::11.
La ecuación (2d) modeliza la estacionalidad de la volatilidad de la serie de demanda
mediante variables "dummies" estacionales: otoñal toma el valor 1 si la observación es
en los meses de Septiembre, Octubre o Noviembre y cero en el resto de meses; primavt
toma el valor 1 si la observación es en los meses de Marzo, Abril o Mayo y cero en el
resto de meses, y finalmente veranOt toma el valor 1 si la observación es en Junio, Julio
o Agosto y cero en el resto.
Los resultados de la estimación se presentan en la siguiente Tabla.
3 En este trabajo se utiliza un modelo autoregresivo simple debido al objetivo del trabajo. Utilizamos el modelo discreto (2) con el objeto de obtener estimaciones para los parámetros del modelo en tiempo continuo (1) que es el que posteriormente utilizamos para obtener las fórmulas de valoración para contratos derivados, que es el objetivo último de este trabajo. En el caso de que el objetivo del trabajo fuera la modelización y posterior predicción de la serie de demanda, claramente el modelo autoregresivo de orden 1 sería excesivamente simple. Ver por ejemplo para el caso español, los trabajos de Cancelo y Espasa (1996) y Pardo et al. (2002). En éste último se incorpora una estructura autoregresiva más compleja, pero de nuevo hay que remarcar que los objetivos de este trabajo y el de por ejemplo Pardo et al. (2002) son claramente diferentes. .
170
Capítulo 4
Tabla 2. Resultados de la estimación del modelo (2a) - (2d)
MERCADOPJM MERCADO NORDPOOL
Modelo Volatilidad Modelo Volatilidad Modelo Volatilidad Modelo Volatilidad
Constante Estacional Constante Estacional
Parámetro Coeficiente t-stat. Coeficiente t-stat. Coeficiente t-stat. Coeficiente (-stat.
BO 26645,59 271,19 26904,66 123,11 9670,01 91,04 10101,38 103,45
Bl 0,598 0,02 0,544 25,76 0,802 47,99 0,790 42,95
B2 2,59 0,35 2,05 7,00 2,97 21,68 2,26 17,69
DI 4479,42 182,30 4374,31 27,35 4,68 0,07 11,17 0,17
Cl -4380,63 153,69 4063,42 157,76 -3073,72 -45,32 -3011,19 -52,52
C2 65,70 2,82 -3402,35 -1636,51 257,64 214,54 258,91 225,81
C3 -4246,03 191,87 -3974,79 -22,81 - - - -
C4 113,02 1,13 660,71 719,38 - - - -
STDV 2404,42 182,30 797,43 48,65
QSI 1939,42 30,36 1023,62 21,21
QS2 -180,93 -2,23 -259,82 -4,53
QS3 64,90 0,75 -174,81 -2,92
QS4 1708,53 9,05 -527,99 -9,80
LL -10879,26 -10776,19 -8999,47 -8944,78
SC 21822,22 21637,32 18062,07 17973,74
Una de las características que cabe destacar es la existencia de diferencias en la
reversión a la media. En el mercado americano existe una rápida reversión a la media
mientras que la velocidad a la que la serie revierte a la media en el mercado escandinavo
es menor. Para un análisis sobre la serie de demanda con datos horarios del mercado
PJM también puede consultarse el trabajo de Pirrong y Jennakyan (2000). En el caso de
la serie de demanda del mercado escandinavo obtenemos una velocidad de reversión a
la media menor, de fonna que los "shocks" de demanda en este mercado tienen una
mayor persistencia. Tal y como observamos en los resultados del Capítulo 2, la serie de
4 El criterio de Schwarz se define como: -2 . LL + m . ln(n)donde LL es el valor de la función de verosimilitud, m es el número de parámetros estimados y n es el número de observaciones.
171
Valoración Futuros: Demanda y Capacidad
precios del me'rcado escandinavo presentaba el menor grado de reversión a la media. En
aquel momento se argumentó que una de las razones por las que podía deberse esta
mayor persistencia de los "shocks" en el precio era la estructura de generación del
mercado escandinavo. Concretamente, las reservas hidráulicas tienen el efecto indirecto
de hacer de reservas de "stock" de electricidad, y este hecho podría estar detrás de la
persistencia de los "shocks". Con los resultados que obtenemos en este Capítulo,
comprobamos que los "shocks" en demanda son también más persistentes en este
mercado, y por tanto parece lógico pensar que parte de la persistencia en los "shocks"
de demanda se pueda trasladar a la persistencia observada en las series de precios.
Otro aspecto importante es la existencia de un patrón estacional tanto en el nivel de la
serie como en su volatilidad. También es importante destacar la correlación entre el
patrón estacional en el nivel de la serie y el patrón estacional en la volatilidad de la serie
(la volatilidad de las series de demanda es alta cuando el nivel de las series también es
alto). Este hecho junto con la convexidad de la función de costes genera la alta
volatilidad y la estacionalidad en la volatilidad de las series de precios. Podemos
comprobar como para ambos mercado se obtienen mejores resultados con el modelo con
"Volatilidad Estacional" que con el modelo con "Volatilidad Constante", tanto en
términos del valor de la función de Verosimilitud (LL) como si tenemos en cuenta el
criterio de Schwarz (donde se penaliza por el incremento de parámetros estimados).
También hay que destacar que el comportamiento estacional en la volatilidad de la- serie
de demanda en el mercado PJM es más acusado que en el caso de la serie del NordPool.
Como veremos más adelante este patrón estacional en la volatilidad se traslada al precio
de los contratos de futuros. Por tanto, en nuestro modelo, ceteris paribus, a mayor
estacionalidad en la volatilidad de la demanda mayor estaciona1idad en las curvas
172
Capítulo 4
forwards (también comprobaremos con la prima de riesgo es función de la volatilidad
de la serie de demanda, y por tanto de nuevo, mayor estacionalidad en la volatilidad de
la demanda implicará mayor estacionalidad en el comportamiento de la prima forward).
4.3.2 Capacidad de generación.
Existen varios argumentos para considerar que la capacidad de generación
("capacidad efectiva") de un sis~ema eléctrico no es constante, y que por tanto, para
poder entender mejor la evolución de las series de precios y la evolución de los precios
de los contratos 'derivados, es útil considerarla como una variable aleatoria. A modo de
ejemplo, Bessembinder y Lemmon (2002), apuntan que "power function varies
seasonally, as producers schedule planned maintenance outages during periods of low
expected power demand". Aún a pesar de que estas reducciones sean planificadas, y por
tanto conocidas con anterioridad por todos lo agentes participantes en el mercado,
pueden ser las causas de alguno de los saltos observados en las series de precios. A
modo de ejemplo, Krapels (2000) muestra como efectivamente el aumento de precios en
el mercado de Nueva Inglaterra durante los días 7 y 8 de Junio de 1999, fue debido a
una combinación de reducción de capacidad con un ligero aumento de demanda que en
situaciones normales de capacidad no hubiera afectado de forma significativa al nivel de
precios. Otro ejemplo, al que volveremos más adelante, es el que se está viviendo
recientemente en el mercado escandinavo del NordPool. NordPool es un mercado donde
una gran parte de la electricidad se genera mediante recursos hídricos5. Durante finales
del año 2002 y primeros meses del año 2003 el nivel de reservas en este mercado está
en niveles mínimos. Como consecuencia de ellos los precios en el mercado spot y por
5 Para una excelente descripción del funcionamiento y características del mercado del Nord Pool recomendamos, Meneu et al. (2001) y Lucía y Schwartz (2002).
173
Valoración Futuros: Demanda y Capacidad
tanto también los precIOs de los contratos de futuros se han incrementado
sustancialmente. Para una relación entre precios spot y nivel de reservas en el mercado
NordPool ver también Botterud et al. (2002). Kollberg et aL (1999) presentan otro
ejemplo sobre la relación entre variación en la capacidad de generación y fluctuaciones
del precio del contrato de futuros en el NordPool: " ... a shock that affected futures
prices at Nord Pool was the decision by the Swedish government to close down one
nuclear reactor at Barseback. At a time when the supply of electricity was already
regarded as constrained in the Nordic region, this decision to cut production resources
even further made the market react in a powerful way. Suddenly, there was a shift in al!
forward and futures contracts with maturity after the closing date". Por tanto, las
fluctuaciones de precios (y sus saltos) no son causadas únicamente por variaciones
bruscas en la demanda de electricidad. Además de reducciones de capacidad
planificadas o previsibles también es común observar reducciones de capacidad no
planificadas. Por ejemplo, debido a reducciones o congestiones en la capacidad de
transmisión entre zonas adyacentes.
También hay que considerar que parte de las reducciones de oferta pueden deberse al
ejercicio de poder de mercado por parte de los generadores. Este puede ser el caso en
algunos de los episodios de incremento de precios en el mercado de California, J oskow
y Kahn (2001). Así la FERC (Federal Energy Regulatory Comission), organismo
regulador del sector energético, está investigando si las subidas de precios obserVadas
en el mercado de California se debieron al cierre de plantas generadoras, que en su
momento se justificaron por problemas técnicos o reparaciones, que quizás fueran
innecesarias, y tuvieron como único objeto el incremento artificial de precios.
174
Capítulo 4
En este trabajo, no profundizamos en las causas de los cambios en la capacidad efectiva
de un mercado y únicamente consideramos que capacidad debe analizarse como una
variable aleatoria. De esta forma extendemos los trabajos de Barlow (2002),
Bessembinder y Lemmon (2002) y Pirrong y Jermakyan (1999 y 2000) entre otros.
Dadas las características de la variable capacidad proponemos el siguiente modelo con
reversión a la media y saltos:
(3)
donde Be es un parámetro de tendencia central para la variable de capacidad e, la
velocidad de reversión viene dada por el parámetro ke. La variable capacidad tiene dos
términos aleatorios, uno es un proceso difusivo y el otro está gobernado por un proceso
de Poisson, que tiene asociada un salto aleatorio J e • El coeficiente de la varianza del
proceso difusivo es a~ y la ocurrencia de salto está gobernado por un proceso de
Poisson, donde el parámetro Ae captura la frecuencia del proceso. El tamaño del salto
puede ser constante ó puede venir dado por una distribución de probabilidad. El proceso
de difusión es independiente del proceso de Poisson y del tamaño del salto. El propio
proceso de Poisson (probabilidad de ocurrencia de salto) y el tamaño de salto también
son independientes entre ellos, ver Duffie, Pan y Sing1eton (2000) y Piazzesi (2002).
Aunque suponemos que el nivel medio (de equilibrio) viene dado por la constante (Jc'
podríamos incorporar de forma sencilla una función estacional. La estaciona1idad de la
capacidad estaría asociada a mercados donde la estructura de generación está dominada
por producción hidráulica, por ejemplo el mercado escandinavo. Con respecto a la
175
Valoración Futuros: Demanda y Capacidad
distribución del salto, VImos en el Capítulo anterior que pueden derivarse formas
analíticas para la función característica del proceso en los casos de que el tamaño del
salto tenga una distribución Gaussiana o Exponencial. En este Capítulo vamos a
suponer que la distribución del salto es Exponencial, y que los saltos son negativos (el
tamaño medio del salto bajo la probabilidad empírica viene dada por el parámetro,
r¡J,c)' Otra alternativa podría ser incluir un doble salto exponencial, tal y como se
incluye en el Capítulo anterior, los resultados cualitativos en cualquier de los casos
serían los mismos. Es decir, tenemos un proceso con reversión a la media y volatilidad
constante donde permitimos que exista la posibilidad de disminuciones bruscas en la
capacidad de generación del mercado. Estas disminuciones bruscas nos permitirán
capturar los efectos de situaciones puntuales sobre el precio de los contratos de futuros.
A modo de ejemplo, introducir este componente de salto nos puede permitir analizar la
probabilidad que asigna el mercado a que haya una disminución en la capacidad de
intercambio de energía (reducción de importaciones) entre mercados adyacentes (por
ejemplo en un mercado con una estructura similar al australiano con "débiles
conexiones entre estados", ver Millán 1999) o una parada de alguna planta generadora
importante en mercados concentrados. La importancia real de este componente en un
mercado dado es una cuestión empírica.
4.4 MODELO Y RELACIÓN ENTRE PRECIO Y VARIABLES DE ESTADÓ
Tanto a nivel empírico como a partir de los resultados del modelo de equilibrio de
Bessembinder y Lemmon (2002), sabemos que el precio debe ser una función convexa
de las dos variable de estado, ver también Pirrong y Jermakyan (1999 y 2000). Por
tanto, podríamos especificar una función genérica <pO tal que P¡ = <p(Dp el) y donde,
176
Capitulo 4
dadas las características del sector eléctrico y la convexidad de la función de oferta
("supply stack"), debería satisfacerse rpD > O, rpc < O, rpDD > O Y rpcc > o. Pirrong y
Jennakyan (1999) consideran en particular la siguiente especificación para la función
del precio:
p(q g t) = ¡r e aLJ¡2+c(t) t' t' I
donde lt es el precio del fuel marginal, qt es el nivel de demanda ("load") y c(t) es una
función estacional (detenninista).
Es razonable considerar que el precio debe ser una función creciente y convexa del nivel
de demanda, ver también Pirrong y Jennakyan (2000), Barlow (2002) y Bessembinder y
Lemmon (2002). Por otro lado también es lógico pensar que una relación parecida debe
existir entre precio y capacidad. Disminuciones de capacidad deberían incrementar el
precio para un nivel de demanda dado, y este incremento debería ser creciente .
. Bimbaum et al. (2002) muestran como existe una relación convexa entre precio y
"utilización de capacidad" en el mercado P JM. Existen muchas funciones candidatas
para modelizar el precio en función de demanda y capacidad. Dado que el objetivo de
este trabajo es la obtención de fónnulas de valoración, en fonna analítica, debemos
tener en cuenta esta restricción. Tal y como hemos comentado anterionnente y al igual
que en el Capítulo anterior, queremos explotar los resultados de Duffie, Pan y Singleton
(2000). Por tanto, la restricción adicional es que exista una transfonnación del precio
(en particular la más razonable es la logarítmica), de fonna que el lag-precio sea
función lineal de las variables de estado.
177
Valoración Futuros: Demanda y Capacidad
Dadas estas restricciones proponemos el siguiente modelo:
p = cr _f3_ea.D, I I (4a)
DI =g(t)+Xt
dX = -k Xdt + (J"seas·dZ x x x
(4b)
(4c)
donde6 c == In C , a > O Y r < O_
Por tanto, aplicando logaritmos a la ecuación (3a), el logaritmo del precIO es una
función lineal de las variables de estad07• Es decir, obtenemos la expresión alternativa
para el logaritmo del precio:
In.?, = r In C, + In fJ + a -DI = = r -cI + In ji +a-(g(t)+X,)=
= (In ji +a -g(t))+(r -c, +a -X,)
El primer paréntesis captura los elementos deterministas, SI definimos
f(t) == In ji + a· g(t), obtenemos la expresión final que nos interesa para el logaritmo
del precio:
In.?, = f(t)+r·c, +a-X( (5)
6 Debe quedar claro que en este caso y en adelante e es una variable aleatoria relacionada con la capacidad de generación y no está relacionado con la constante que captura la convexidad de la función de costes en el modelo de Bessembinder y Lernmon (2002)_ 7 Se ha estimado la ecuación (4a) con datos semanales del Nord Pool, donde se ha utilizado el nivel de reservas hidráulicas como "proxy" de la variable capacidad_ Los resultados de la estimación se presentan en la Tabla A.l en el Apéndice_ Los coeficientes estimados son significativos y tienen el signo esperado_
178
Capítulo 4
Al modelizar la variable de interés (log-precio) como una función lineal8 de las
variables de estado, y dado que estas variables de estado siguen procesos afines de
difusión con saltos, podremos utilizar los resultados obtenidos por Duffie, Pan y
Singleton (2000). Dado que el marco matemático que nos interesa para modelos con
procesos de difusión con saltos afines y la definición de este tipo de procesos se expuso
en el Capítulo 3, con el objeto de no reiterar la exposición en este Capítulo, remito al
lector a la sección 3.2 del Capítulo 3.
Antes de pasar a presentar el modelo bajo la probabilidad riesgo-neutro y derivar la
fórmula de valoración, presentamos una ilustración preliminar sobre la idoneidad de la
especificación propuesta.
Relación entre Precio y Demanda
A continuación presentamos de forma más detallada la relación entre precio y
demanda. Si imponemos la restricción y = O, obtenemos una versión restringida del
modelo general propuesto en la ecuación (3a), de forma que la expresión para el precio
viene dado por la expresión ~ = fJ . ea-D, . La relación entre precio y demanda viene
dada por los gráficos 1 y 2. A partir de los gráficos comprobamos la convexidad del
precio con el nivel de demanda, y como a partir de cierto nivel de demanda variaciones
8 Una línea alternativa interesante sería la propuesta por Leippold y Wu (2002) para la modeliz~ción de los tipos de interés_ Los autores proponen la "familia de modelos cuadrática" de forma que el tipo de interés es función cuadrática de las variables de estado. Los autores muestran como bajo este modelo se mantiene la "tratabilidad" del modelo de forma que se obtienen fórmulas analítica o cuasi-analíticas para derivados sobre el tipo de interés. Sin embargo, los autores modelizan las variables de estado mediante procesos de difusión sin incorporar la posibilidad de discontinuidades de las variables de estado. Una línea de investigación que por tanto, no ha sido desarrollada bajo este marco de modelos cuadráticos es analizar si la posibilidad de obtener fórmulas de valoración cuasi-analíticas se mantiene bajo el marco de modelos cuadráticos donde las variables de estado siguen procesos de difusión afmes con saltos. A efectos de este trabajo una línea interesante que queda abierta por tanto, es comprobar si se obtienen mejores resultados al modelizar el precio de la electricidad introduciendo términos cuadráticos de la variables de estado (en la ecuación (4a».
179
Valoración Futuros: Demanda y Capacidad
de demanda tienen un efecto importante sobre el precio. La convexidad de la función
dependerá de la estructura de costes existente en cada mercado, y refleja por tanto la
curva de oferta agregada del mercado. Se puede comprobar como en el caso del
mercado PJM, la curva tiene una forma de "L invertida" más pronunciada. Esto genera
en parte los importantes saltos observados en las series de precios del mercado PJM,
que se presentaron en el Capítulo 2 y 3. A partir de un cierto nivel de demanda, ligeros
incrementos de demanda (shocks positivos de demanda) por encima de este nivel crítico
generan incrementos muy importantes en las series de precios. Como hemos
comprobado la volatilidad de la serie de demanda es mucho mayor durante el verano, y
tal como se ha visto en Capítulos anteriores es durante estos meses de verano cuando se
observan los saltos ("spikes") en los precios spot.
180
Gráfico 1: Relación entre Precio y Demanda, Mercado PJM.
Datos diarios (Enero 1997 - Marzo 2000)
:2 ~ ::lE -e o ·u (1) lo.
a..
Mercado PJM 1/1/1997-31/03/2000
600 -I----~---------------- -------------------------- -------------------------------
500
400
300
200
1
1 I
---i i I
18000 24000 30000 36000 42000 Demanda (MWh)
o
:J DO
[] ::;
48000
Capítulo 4
o
54000
181
Valoración Futuros: Demanda y Capacidad
Gráfico 2: Relación entre Precio y Demanda, NordPool.
Datos diarios (Enero 2000 - Enero 2003)
900
800
700
600
:2 ~ ::iE 500 52 o ~ o 400
'C:¡ !!!
c... 300
200
100
o
182
I
l I
-1 i I
-1
--' !
-1 I -, I I I
l o I
I 6000 10000
NordPool 03/01/00 - 19/01/03
14000 Demanda (MWh)
o
o o
ce o e
í::J Ss [~'~: e - =
oCb ~~ '-' o
::c@ o o
18000
Capítulo 4
Relación entre Precio y Capacidad
Igualmente para analizar de fonna más directa la relación entre precIO y
capacidad, imponemos a = o. De esta fonna obtenemos una versión restringida del
modelo (3a-3c). Puede demostrarse que bajo este modelo restringido, el valor esperado
(bajo la probabilidad empírica) del precio en el momento T, viene dada por la siguiente
expresión:
(6)
donde Ft corresponde a la filtración en el momento t (es decir, contiene la infonnación
hasta t).
Podemos reescribir esta expresión como:
(7)
De esta fonna puede verse más claramente el efecto de la variable capacidad sobre el
precio. Hay que recordar que el parámetro y, captura la convexidad de la relación entre
precio y capacidad, y que y < O, de fonna que disminuciones (aumentos) en la capacidad
incrementan (disminuyen) el precio. Esto puede verse claramente en la expresión
anterior. Cuanto mayor sea el nivel de equilibrio Be menor será el precio. También
puede analizarse el efecto de las desviaciones de la capacidad real en un momento dado
con respecto al nivel de equilibrio. Así tenemos que si Ct > Be =? y(c - Be)e -k,t < ° ,
183
Valoración Futuros: Demanda y Capacidad
mientras que SI Cl < eC~r(C-ec)e-kc" >0. Por tanto incrementos en la capacidad
disminuyen el precio esperado. También podemos comprobar como el parámetro y
. captura la sensibilidad del precio esperado a cambios de la variable capacidad.
A modo de ilustración en el Apéndice reproducimos un gráfico ("Exhibit 3") presentado
originalmente en el trabajo de Bimbaum et al. (2002), en el que se muestra la relación
entre el porcentaje utilizado de capacidad y el nivel del precio. El gráfico muestra como
los incrementos de precios ocurren aún cuando el porcentaje utilizado no es
"extremadamente" alt09. A modo ilustrativo incluimos en el Apéndice los gráficos de
las series de precios y reservas hidráulicas10 en el Nord Pool (Gráfico A.7) y la relación
entre la serie de precios y las reservas (Gráfico A.8). Comprobamos como
efectivamente existe una relación negativa entre nivel de reservas y precio.
9 Tal y como indican los autores "wholesale prices "fly up" the moment demand surges, though there may be still significant spare capacity in the system, más adelante consideran que el aumento de precios en el sector eléctrico debido a una mayor tasa de utilización de capacidad es especialmente acusado que en otros sectores "electricity prices tend to start rising at lower levels of capacity utilization than do prices for other commodities" \O El nivel de reservas hidráulicas en el Nord Pool actúa como "proxy" de la capacidad de generación del mercado escandinavo.
184
Capítulo 4
4.5 VALORACIÓN CONTRATOS DE FUTUROS.
En esta sección presentamos la especificación del modelo bajo la probabilidad
riesgo neutro y presentamos la fórmula de valoración. Tal y como hemos comentado
anteriormente, la especificación propuesta para el modelo nos permite trabajar con los
resultados de Duffie, Pan y Singleton (2002). Dado que este marco fue presentado en el
Capítulo anterior con bastante detalle, con el objeto de no repetir la exposición,
presentaremos los resultados de una forma más directa.
La especificación del modelo bajo la medida de probabilidad objetiva viene dada por las
ecuaciones (3a)-(3c). Para la valoración de derivados debemos tener en cuenta el
modelo bajo la probabilidad riesgo neutro, Cox y Ross (1976) y Harrison y Kreps
(1979), ver también Duffie (1992). En nuestro modelo eso supone incorporar las primas
de riesgo que requieren los agentes en equilibrio, en función de las fuentes de
incertidumbre. En nuestro caso, las fuentes de incertidumbre son la demanda y la
capacidad efectiva de generación, por tanto debemos incorporar dos parámetros
adicionales (r/Jx,r/JJ. Vamos a incorporar el supuesto de primas de riesgo constantes,
aunque tal y como también se analizó en el Capítulo anterior, podríamos incorporar una
especificación algo más general. Concretamente el precio del mercado por unidad de
riesgo por incertidumbre de demanda y capacidad viene dado por 9x y 9c
respectivamente. Dado que la volatilidad de los "shocks" de demanda es estacional,
estamos incorporando estacionalidad en el precio de riesgo de demanda.
Bajo la medida de probabilidad riesgo neutro la especificación del modelo viene dado
por:
185
Valoración Futuros: Demanda y Capacidad
donde e; =
ln~ = f(t)+y·e t +a·Xt
dX = k fe* - X \-1t + (Y seas dZ* x~ x P x x
de = kJe; -e}tt +acdZ; +J;(17~.c }trr('~J dZ;dZ; = pdt
d. . aseas 'rx x e* = e _ rpc • (Yc •
y e e k e
(8)
En el caso del ajuste por riesgo en el componente de salto, hacemos un supuesto similar
al que realizamos en el Capítulo 3. Dado que no es posible empíricamente separar el
efecto del componente tamaño de salto y probabilidad de salto hacemos el supuesto
simplificador A: = Ac ' de forma que el componente de riesgo por salto estará
artificialmente recogido únicamente por riesgo de tamaño de salto.
Tal y como vimos en el Capítulo anterior, el precio del contrato de futuros puede re-
expresarse en función de las variables de estado de la siguiente forma:
(9)
Si definimos los vectores u = (u¡, u2 ) = (y, a) y el vector de variables de estado
y = (e, X), comprobamos que estamos en el marco de los modelos con procesos de
difusión con saltos, y que siguiendo a Duffie, Pan y Singleton (2000), y los resultados
presentados en el Capítulo anterior podemos derivar en forma analítica tanto la función
característica como la fórmula de valoración del contrato de futuros, ya que únicamente
hemos de calcular, Eº [eU'YT iP;]. El cálculo de la fórmula de valoración sigue los mismos
pasos que se utilizaron para obtener las fórmulas de valoración del Capítulo 3.
186
Capítulo 4
Así, bajo este modelo la fórmula de valoración de un contrato de futuros con
vencimiento en T viene dada por la expresión:
donde
Al obtener la fórmula analítica para el precio del contrato de futuro, también podemos
calcular de forma explícita la prima de riesgo de los contratos de futuros (''forward risk
premium").
donde: JRP == In rr¡J,C~ - -In rr¡J,ce -(
* -k,T 1) ( -k,T 1) rr¡J,c -1 rr¡J,c -1
Nos interesan principalmente los dos pnmeros términos de la ecuación (11).
Comprobamos como efectivamente el tamaño de la prima de riesgo depende de la
sensibilidad del precio a los cambios en las variables de estado. Cuanta mayor
convexidad en la relación entre precio y demanda, mayor será la prima de riesgo. Otro
187
Valoración Futuros: Demanda y Capacidad
factor importante es como la estaciona1idad en la volatilidad de la demanda se traslada a
la prima de riesgo. Así, para el mercado PJM hemos comprobado en secciones
anteriores la existencia de un patrón estacional en volatilidad de la demanda. Los
trabajos de Bessembinder y Lemmon (2002), Pirrong y Jermakyan (1999 y 2000) Y
Villaplana (2003) presentan evidencia y discuten la estacionalidad de la prima de riesgo
de contratos forward. Con el modelo propuesto en este Capítulo proveemos un nuevo
argumento para explicar ese patrón estacional en la prima de riesgo. Según nuestro
modelo, la prima de riesgo será mayor en aquellos contratos que tengan vencimiento en
periodos de alta volatilidad de demanda. Tal y como se muestra en la Tabla 2, el
mercado PJM se caracteriza por tener una alta volatilidad de la demanda en los meses
de Junio, Julio y Agosto 11,12. Tal y como vimos en el Capítulo 3, el precio de los
contratos de futuros con vencimiento en esos meses son extremadamente altos. Además
también mostramos como las diferencias de tamaño en las primas de riesgo entre
diferentes mercados pueden explicarse en parte por la convexidad de entre precio y
demanda.
4.6 CONCLUSIONES
En este Capítulo se ha presentado un marco para la valoración de contratos de
derivados incorporando el efecto de variables de demanda y oferta. El objetivo de este
capítulo era presentar un marco donde discutir los posibles efectos que tiéne las
variables de demanda y oferta sobre los contratos de futuros. Hemos hecho un breve
11 Para el mercado PlM también se ha utilizado una especificación de la volatilidad mediante funciones sinusoidales, los resultados son muy similares y en particular son algo mejores con la especificación mediante "dummies" . 12 También se ha estimado una especificación permitiendo que la volatilidad sea diferente entre cada uno de estos meses. Los resultados muestran que la volatilidad es algo más alta en el mes de Julio aunque las diferencias no son estadísticamente significativas y por ello no se han presentado.
188
Capítulo 4
repaso sobre la literatura y hemos notado cómo la variable de oferta, "capacidad de
generación" es considerada por la mayoría de los trabajos como una variable relevante
para comprender la valoración de los contratos de futuros, además del precio spot. Sin
embargo hemos comprobado como estos trabajos aún a pesar de considerarla como una
variable importante no acababan de introducirla en el análisis. Hemos apuntado que
efectivamente la dificultad de implementarla empíricamente podría ser la razón de que
no exista ningún modelo que la incluya de forma explícita. Sin embargo, consideramos
que el marco teórico que hemos introducido puede ser un punto de partida importante
para comprender la prima de riesgo de contratos forward y obtener fórmulas de
valoración analíticas. El marco que proponemos consiste en modelizar las variables de
estado mediante procesos de difusión afines (con la posibilidad de saltos) y hemos
derivado la fórmula de valoración para contratos de futuros. Nuestro modelo extiende
entre otros el trabajo de Barlow (2002).
Presentamos una expresión en forma analítica para la prima de riesgo y comprobamos
que esta depende positivamente del grado de convexidad en la relación entre precio spot
y variables de estado, de la volatilidad de las variables de estado y del precio del riesgo.
Comprobamos como la estacionalidad observada en la prima de riesgo en el mercado
PJM puede explicarse en parte por el fuerte patrón estacional en la volatilidad de la serie
de demanda, junto con la relación entre precio y demanda existente en este mercado
(caracterizada por tener una forma de "L invertida" muy pronunciada).
189
Valoración Futuros: Demanda y Capacidad
APÉNDICE CAPÍTULO 4
Gráfico A.l: Series de Precio y Cantidad. Mercado PJM. Datos Diarios .
0000
0000
0000
0000
0000
190
.-______________________________ ~------------__r600
I -- CANTIDAD ----- PRECIO
Capítulo 4
Gráfico A.2: Relación entre Precio y Demanda en el Mercado P JM.
PMODELO se define a partir de la siguiente especificación: ~ = fJ . eaD,
La estimación de este modelo simple tiene únicamente un objetivo ilustrativo, sobre el
tipo de relación existente entre precio y nivel de demanda.
600
400
200
o 10000
o PRECIO 6 PMODELO
20000 30000 40000
CANTIDAD
o
00 o
o 00
o o
co
6
50000
o
6
60000
191
Valoración Futuros: Demanda y Capacidad
Gráfico A.3: Relación entre Precio y Utilización de Capacidad, Mercado PJM.
EXHIBliS
1.00Q
900 f 800 c;:o .§. f; c.:g 700
.511 ..!.. 600 1 ~ IZ ~ 5011) &:: :&? e U e 400 ... IU eL..
:! il!o :SóO eQ,.
i: t.h
~ 200
>$ .ti< tJif
-M>
tll-
O ~
@
Capaclty:ufjlb:a1ionl per(:Jíffitt
i!!?
fj~rlE>yl'íllnlll. New • .\Íef<Sev, Maryl:lfidL ~Ca~í1y ütllilZllll)t) ::;: 11 til)l;.lf'S ¡jíjl'tmnd .;- 1 IlÚtlf's <íf~aíla~ {l\f!net~iO(I t:::a'+iilCi'l'y.
Fuente: Bimbaum et al. (2002). McKinsey Quarterly
192
100
Capítulo 4
Gráfico A.4: Series de Precio y Cantidad. Nord Pool. Datos Diarios.
~ __________________________________________ ~1000
20000
15000
10000
I -- Cantidad Precio I
193
Valoración Futuros: Demanda y Capacidad
Gráfico A.5: Relación entre Precio y Demanda en el Mercado NordPool.
1000
800
600
400
200
194
o 5000
o Precio Modelo
10000 15000
Cantidad
20000
Capítulo 4
Gráfico A.6: Mercado Nord Pool. Reservas Hidráulicas (GWh). Datos semanales.
Enero 2000 - Marzo 2003 (168 obs.)
:2 S S2. CI)
ro c: Q) CI) Q)
~ e Q)
E ::J
<5 >
80000
70000
60000
50000
40000
30000
20000
10000 100
Número Semanas (Enero 2000 - Marzo 2003)
120
Gráfico A.7: Series de Precio y Reservas Hidráulicas. Nord Pool.
Datos semanales. Enero 2000 -- Marzo 2003 (168 obs.)
\
140 160
r---____________________________________________ -, 1000
80000
60000
40000
20000
, , , " " " ~ ::
!\ __ -_ ......... "jlr\/, ... /,.,"',;.\ ...... ,'- ............ -, .. ~ .. ~... ",_",; , ........ _, .. \ .. ,_ ..... , ..... , ... ,- _ -"-"'---"'---
J
I -- Reservas Hidráulicas Precio
~ I " " ,
800
600
400
200
o
195
Valoración Futuros: Demanda y Capacidad
Gráfico A.8: Relación entre Precio y Reservas Hidráulicas. Mercado NordPool. Datos
semanales. Enero 2000 - Marzo 2003 (168 obs.)
1000
800 -
o 600 -'13 e? o...
400 - 000
o o
200 -
O
o ~o o o 8 o o 00 o Cb o 8: 00 cP cP o o scoo ~oo~
00130 o 0& o o 00 o o o , -<OJif}:o ogoo~ o o o oo~ ~c>:Poo CP ,
o o a o ce o o o o o o ¿S
O 20000 40000 60000 80000
Reservas Hidráulicas
196
Capitulo 4
Tabla A.I: Resultado Estimación Ecuación (4a). Nord Pool. Datos Semanales
Para realizar la estimación hemos log-linealizado la ecuación (4a) de fonna que
tenemos:
In?, = ln(p)+ r ·ln(CJ+a. DI
Redefiniendo parámetros y variables tenemos la ecuación de regresión que se ha
estimado:
Tabla A.1: Resultados Estimación Ecuación (4a). Nord Pool. Dependent Variable: LPRICE Method: Least Squares Sample: 1 168 Included observations: 168 LPRICE =C(1)+C(2)*LWATER+C(3)*VOL
Coefficient Std. Error t-Statistic Probo
C(1 ) 5.968774 0.976608 6.111738 0.0000 C(2) -0.219197 0.086434 -2.536012 0.0121 C(3) 0.000128 1.05E-05 12.15228 0.0000
R-squared 0.522616 Mean dependent var 5.103357 Adjusted R-squared 0.516829 S.D.dependentvar 0.508770 S.E. of regression 0.353648 Akaike info criterion 0.776668 Sum squared resid 20.63607 Schwarz criterio n 0.832453 Log likelihood -62.24008 F-statistic 90.31669 Durbin-Watson stat 0.296281 Prob(F-statistic) 0.000000
donde:
C(1) = ln(p) , C(2) = y, C(3) = u.
LPRICE: logaritmo del precio
L WATER: logaritmo de las reservas hidráulicas, que actúan como "proxy" de la
variable capacidad (CD
VOL: variable de demanda (D t)
197
Valoración Futuros: Demanda y Capacidad
198
Capítulo 4
REFERENCIAS
Barlow, (2002), "A Diffusion Model for Electricity Prices", Mathematical Finance, 12,
pp. 287-298.
Bemdt, E.K., B.H. Hall, R.E. Hall y lA. Hausman (1974), "Estimation and Inference in
Non-Linear Structural Models", Annals of Economic and Social Measurement, 4,
653-665.
Bessembinder, H. y M. Lemmon (2002), "Equilibrium Pricing and Optimal Hedging in
Electricity Forward Markets", Journal of Finance, 57 (June), 1347-82.
Bimbaum, L., J. Ma. Del Aguila, G. Domínguez y P. Lekander (2002), "Why Electricity
Markets Go Haywire?", McKinsey Quarterly 1.
Botterud A., AK. Bhattacharyya y M. Ilic (2002), "Futures and spot prices - an
analysis of the Scandinavian electricity market", Proceedings of North American
Power Symposium 2002.
Cancelo, IR. y A Espasa (1996), "Modelling and Forecasting Daily Series of
Electricity Demand", Investigaciones Económicas, vol. XX(3), 359-376.
Cox, J. y S. Ross (1976), "The Valuation of Options for Altemative Stochastic
Proceses", Journal of Financial Economics 3, 145-166.
Duffie, D. (1992), Dynamic Asset Pricing Theory, segunda ed. Princeton, NJ: Princeton
Univ. Press
Duffie, D., J. Pan y K. Singleton (2000), "Transform Analysis and Asset Priciríg for
Affine Jump-Diffusions", Econometrica, vol. 68(6), 1343-1376.
Escribano A, J.!. Peña y P. Villaplana (2002), "Modelling Electricity Prices:
Intemational Evidence", WP 02-27, Universidad Carlos III.
199
Valoración Futuros: Demanda y Capacidad
Harrison, M. Y D. Kreps (1979), "Martingales and Arbitrage in Multiperiod Securities
Markets", Journal ofEconomic Theory 20,381-408.
Joskow, P. y E. Kahn (2001), "A Quantitative Analysis of Pricing Behavior in
Califomia's Wholesale Electricity Market during Surnmer 2000", working paper,
Department ofEconomics, Massachusetts Institute ofTechnology.
Knittel C. y M. Roberts (2001), "An Empirical Examination ofDeregulated Electricity
Prices", PWP-087, UCEI.
Kollberg l, l Elf, P. Wigert, F. Lundquist, E. Mork y A. Cho (1999), "Relating Risk
Management Strategy to Modelling Uncertainties in the Nordic Power Markets",
en Energy Modelling and the Management of Uncertainty, RiskPublications.
Krapels, E.N. (2000), Electricity Trading and Hedging, RiskPublications.
Leippold, M. y L. Wu (2002), "Asset Pricing under the Quadratic Class", Journal of
Financial and Quantitative Analysis, vol. 37(2), p. 271-295.
Li, X. y D.J. Sailor (1995), "Electricity Use Sensitivity to Climate and Climate
Change", World Resour. Rev., 7 (3), 334-346.
Longstaff, F.A. y A.W. Wang (2002), "Electricity Forward Prices: a High-Frequency
Empirical Analysis", working paper 10-02, UCLA.
Melino, A. (1994), "Estimation of Continuous-time Models in Finance", in Advances in
Econometrics, Sixth World Congress, Volume n, edited by C, Sims, Cambridge
University Press,Cambridge.
Millán R. (1999), Los Mercados de Futuros de Electricidad, Ed. Civitas.
Pardo, A., V. Meneu y E. Valor (2002), "Temperature and Seasonality Influences on
Spanish Electricity Load", Energy Economics, vol. 24 (1),55-70.
200
Capítulo 4
Piazzesi, M. (2002). "Affine Term Structure Models", WP UCLA, prepared for
Handbook 01 Financial Econometrics, available at:
http://www . personal.anderson. ucla. edu/monika. piazzesi/
Pirrong, C. y M. Jermakyan (1999), "Valuing Power and Weather Derivatves on a Mesh
Using Finite Difference Methods", en Energy Modelling and the Management 01
Un certainty, RiskPublications.
Pirrong, C. y M. J ermakyan (2000), "The Price of Power: the Valuation of Power and
Weather Derivatives", working Paper, Olin School of Business, Washington
University.
Revuelta, J.M. (2000), Desarrollo de una Metodología Automática de Modelización de
Series Diarias de Actividad Económica. Aplicación a Series Diarias de Demanda
Eléctrica. Tesis Doctoral, Departamento de Estadística y Econometría,
Universidad Carlos III de Madrid.
Skantze, P., A. Gubina y M. Ilic (2000), "Bid-based Stochastic Model for Electricity
Prices: the Impact of Fundamental Drivers on Market Dynamics", Report 00-04,
Energy Laboratory, MIT.
Skantze, P. y M. D. lIic (2001), Va luation, Hedging and Speculation in Competitive
Electricity Markets: a Fundamental Approach, Kluwer Academic Publishers
Villaplana, P. (2003), "Pricing Power Derivatives: a Two-Factor Jump-Diffusion
Approach", Working Paper 03-18, Universidad Carlos III.
201
Valoración Futuros: Demanda y Capacidad
202
Capítulo 5
Capítulo 5:
Extensiones y Posibles Líneas de
Investigación Futura
A 10 largo de los diferentes Capítulos de esta Tesis Doctoral se han ido
comentando las posibles extensiones y líneas de investigación que podrían realizarse en
el futuro. En este Capítulo exponemos de forma conjunta y más extendida alguna de las
líneas de investigación futura que se han generado a partir de los resultados obtenidos
en esta Tesis Doctoral.
5.1 POSIBLES EXTENSIONES DEL CAPÍTULO 2
En el Capítulo 2, "Modelización del Precio de la Electricidad: Evidencia
Internacionaf', hemos propuesto un modelo general para la modelización de las series
de precios de electricidad en mercados liberalizados, que captura e integra sus diferentes
características: estacionalidad, reversión a la media, volatilidad estocástica y saltos. Uno
de los resultados más importantes es que la modelización propuesta incorpora la
posibilidad de incluir un proceso GARCH y un proceso que captura los saltos. A raíz de
los resultados de estimación presentados hemos comprobado como procesos GARCH y
203
Extensiones y Líneas de Investigación Futuras
saltos son elementos complementarios, que a nuestro entender deben incorporarse de
forma simultánea, cuando el analista modeliza las series de precios de electricidad en
mercados liberalizados. En particular, también hemos comprobado la dificultad, y las
limitaciones resultantes de modelizar la volatilidad de las series de precios únicamente
con procesos GARCH. Por ello, consideramos que existen varios ejercicios interesantes
que podrían ser objeto de análisis futuro. Por un lado debería realizarse una comparativa
de metodologías de cálculo de Valor en Riesgo (VaR) para serie de precios de
electricidad. Para una amplia revisión de las diferentes metodologías propuestas para el
cálculo del Valor en Riesgo puede consultarse entre otros Peña (2002). En el Capítulo 2
se propone un modelo para modelizar las series pero no se realiza ningún ejercicio de
cálculo de Valor en Riesgo, que muestre si efectivamente el modelo, además de
describir mejor la evolución de las series de precios, también permite obtener mejores
estimaciones del tipo de medidas de Valor en Riesgo.
Por otro lado la presencia de saltos en las series de precios de electricidad, junto con la
alta asimetría y curtosis de las distribuciones incondicionales, sugiere la incorporación
de metodologías basadas en la Teoría de Valores Extremos ("Extreme Value Theory",
EVT), ver Embrechts et al. (1999). En particular, McNeil y Frey (2000) proponen una
metodología para incorporar procesos GARCH y modelizaciones de los residuos
basadas en la EVT. McNeil y Frey (2000) proponen un filtrado previo de las series
mediante procesos GARCH antes de aplicar las metodologías propias de la EVT. Sin
embargo, no está claro que la metodología propuesta por Mcneil y Frey (2000) pueda
aplicarse de forma automática a las series de precios eléctricos. Tal y corno se ha
mostrado en esta Tesis la presencia de saltos puede sesgar las estimaciones de los
procesos GARCH. Una alternativa sería realizar el filtrado previo propuesto por McNeil
204
Capítulo 5
y Frey (2000), mediante procedimientos GARCH robustos, ver por ejemplo Park
(2002).
5.2 POSIBLES EXTENSIONES DEL CAPÍTULO 3
En el Capítulo 3, "Valoración de Derivados Eléctricos: una Aproximación Bifactorial
con Saltos", se ha propuesto un modelo de valoración de derivados, donde las variables
estado se modelizan mediante procesos de difusión afines con saltos. Esto nos ha
permitido explotar los resultados presentados en Duffie et al (2000). Una vez obtenidas
las nuevas fórmulas de valoración se ha realizado un análisis empírico con datos de
contratos "fonvard" negociados en el mercado PJM. Entre los resultados más
importantes, destaca la presencia de una importante prima de riesgo por salto. Dado que
la componente de salto tiene un marcado carácter estacional (analizado también en el
Capítulo 3), la prima de riesgo también estacional. Este análisis nos ha permitido
complementar los resultados de Bessembinder y Lemmon (2002) y Pirrong y Jermakyan
(2000) entre otros. Una línea de investigación generada a partir de nuestros resultados es
el análisis de la alta volatilidad de la prima de riesgo. Ante ése resultado Pirrong y
Jermkayan (2000) argumentan que se podía deber a un proceso de aprendizaje por parte
de los agentes participantes en el mercado que quizás, según los autores, estuvieran
sobreestimando la persistencia de los "shocks" en mercados eléctricos. Nuestra
metodología sin embargo nos permite argumentar que la prima de riesgo es muy volátil
debido a la presencia de prima de riesgo cambiante en el tiempo ("time varying risk
premium"). En particular, nuestra metodología permite incorporar el hecho de que la
prima de riesgo sea proporcional a las desviaciones de la variable de corto plazo. Por
tanto, un primer paso sería profundizar en el análisis del comportamiento de la prima de
205
Extensiones y Líneas de Investigación Futuras
riesgo, partiendo de la mayor flexibilidad (y el menor coste computacional) de la que
disponemos con nuestra metodología.
Otra línea de investigación que ha quedado pendiente ha sido el ampliar el análisis
empírico realizado en el Capítulo 3 a otros mercados. En particular, el mercado
escandinavo Nord Pool es un candidato idóneo. Tal y como hemos comentado el
modelo propuesto en el Capítulo 3 es una extensión del modelo propuesto por Schwartz
y Smith (2000) y posteriormente aplicado al caso de derivados eléctricos por Lucía y
Schwartz (2002). Nuestra extensión más importante es al inclusión de un componente
de salto, por tanto queda pendiente el análisis de los errores de valoración generados por
nuestro modelo (que incorpora la posibilidad de saltos), comparándolos por los
generados por el modelo de Lucía y Schwartz (2002). Dado que la metodología
empírica que hemos propuesto es diferente a la utilizada en Lucía y Schwartz (2002),
también podríamos comparar la idoneidad de una u otra. Otra idea interesante se deriva
de la relación entre la prima de riesgo y la asimetría (condicional) de las series de
precio. En estos momentos hay algunos trabajos que incorporan la asimetría de las
series como elemento importante para comprender la evolución de las primas de riesgo,
Harvey y Siddique (1999a, 2000). También es interesante analizar una metodología de
estimación alternativa que explícitamente incorpore la asimetría. Dada la alta asimetría
observada en las series de precios, en forma de saltos, así como el hecho de que existan
variables de demanda y oferta que son las causantes de estos saltos, se podrían aplicar
las metodologías propuestas por Harvey y Siddique (1999b) Y León, Rubio y Serna
(2002) con el objeto de comprender mejor la interacción entre oferta, demanda y
asimetría, así como asimetría y prima de riesgo en el mercado de futuros eléctricos.
206
Capítulo 5
5.3 POSIBLES EXTENSIONES DEL CAPÍTULO 4
En el Capítulo 4, "Valoración de Contratos de Futuros sobre Electricidad: el
Papel de la Demanda y la Capacidad", se ha presentado un marco para la valoración de
contratos de derivados incorporando el efecto de variables de demanda y oferta.
Claramente la extensión más obvia de este Capítulo es realizar un análisis empírico del
modelo propuesto. Uno de los principales problemas tal y como se ha comentado en el
Capítulo, es la implementación de la variable "capacidad de generación". Por un lado,
es dificil en la mayoría de los casos obtener una medida resumen y datos sobre la
variable "capacidad de generación". Si tratamos la variable como no observable el
problema puede estribar en que ésa variable incorpore todas aquellas fluctuaciones del
precio no explicadas por la variable demanda, que sí es observable. Otra posibilidad
sería aplicar el modelo a mercados donde la variable generación sea más fácilmente
observable, como en el Nord Pool. Finalmente cabe resaltar que existen algunos
trabajos que basándose en las ofertas que los generadores presentan para su posible
casación en los mercados mayoristas, intentan extraer información acerca de la máxima
capacidad de generación en un momento dado. Consideramos que esta línea puede ser
muy interesante y de hecho, forma parte de un proyecto que se está iniciando en estos
momentos.
207
Extensiones y Líneas de Investigación Futuras
208
Capítulo 5
REFERENCIAS
Bessembinder, H. y M.L. Lemmon (2002), "Equilibrium Pricing and Optimal Hedging
in Electricity Forward Markets", Journal 01 Finance 57, 1347-82.
Duffie, D., J. Pan y K. Singleton (2000), "Transform analysis and asset pricing for
affine jump-diffusions", Econometrica, vol. 68(6), 1343-1376.
Embrechts, P., C. Klüppelberg y T. Mikosch (1999), Modelling Extremal Events lor
Insurance and Finance, Springer eds.
Harvey C. R. y A. Siddique (1999a), "Time-Varying Conditional Skewness and the
Market Risk Premium", Research in Banking and Finance, vol. 1, pp. 25-58.
Harvey C. R. y A. Siddique (1999b), "Autoregressive Conditional Skewness", Journal
01 Financial and Quantitative Analysis, vol. 34 (4).
Harvey C. R. y A. Siddique (2000), "Conditional Skewness in Asset Pricing Tests",
Journal olFinance, vol. 55, 1263-1295.
Leon, A., G. Rubio y G. Serna (2002), "Autoregressive Conditional Volatility, Skewness
and Kurtosis", working paper, Universidad de Alicante.
Lucia, J. y E. Schwartz (2001), "Electricity Prices and Power Derivatives: Evidence
from Nordic Power Exchange", Review ofDerivatives Research, vol. 5 (1), 5-50.
McNeil, A. y R. Frey (2000), "Estimation of Tail-Related Risk Measures for
Heterocedastic Financial Time Series: an Extreme Value Approach", Journal of
Empirical Finance, 7, 271-300.
Park, B. (2002), "An Outlier Robust GARCH Model and Forecasting Volatility of
Exchange Rate Returns", Journal 01 Forecasting, 21, 381-393.
Peña, J.!. (2002), La Gestión de Riesgos Financieros de Mercado y Crédito, Prentice
Hall.
209
Extensiones y Líneas de Investigación Futuras
Pirrong, C. y M. J ermakyan (2000), "The Price of Power: the Valuation of Power and
Weather Derivatives", working Paper, Olin School of Business, Washington
University.
Schwartz, E. y lE. Smith (2000), "Short-term Variations and Long-term Dynamics in
Commodity Prices", Management Science, 46 (7),893-911.
210